# Readiz 공개 글 전체 --- id: "authored/c3c25b5d-d628-4d31-aaa1-7391ad78cf9f" title: "제국의 전쟁 재정을 읽는 사료" description: "로마 은화와 군 복무 증서, 펠리페 2세의 차입 계약, 암스테르담의 주주 기록, 1956년 영국 보유액과 IMF 인출액을 원자료에서 읽는 방법." kind: "llm-wiki" published: "2026-11-17T23:25:06.216Z" tags: ["경제사","국가채무","환율"] url: "https://www.readiz.com/llm-wiki/war-finance-sources-roman-coins-spanish-debt-suez-sterling/" markdownUrl: "https://www.readiz.com/llm-wiki/war-finance-sources-roman-coins-spanish-debt-suez-sterling/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/국제경제" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B5%AD%EC%A0%9C%EA%B2%BD%EC%A0%9C" --- # 제국의 전쟁 재정을 읽는 사료 로마 주화의 은 함량, 스페인 왕실의 지급정지 횟수, 영국의 외환보유액은 서로 다른 것을 측정한다. 전쟁을 치르는 나라의 재정을 비교하려면 누가 발행했는지, 무엇을 언제 지급하기로 했는지, 실제로 지급된 금액이 얼마인지부터 확인해야 한다. 다음 자료에는 동전의 합금에서 IMF의 대출 약정까지 그 차이를 확인할 수 있는 실물과 장부가 남아 있다. ## 로마 주화를 읽을 때는 화종과 조폐소부터 리버풀대 연구진은 로마 은화의 중량과 은 함량을 조사했다. 합금의 표면에서 구리가 제거되면 겉부분은 내부보다 은이 풍부해 보인다. 관찰하려는 값이 주화 전체의 은 함량이라면, 분석자가 표면을 측정했는지 내부에서 시료를 채취했는지가 중요하다. 초기 제정기의 개별 표본 자료는 Archaeology Data Service에서 볼 수 있다. [리버풀대 로마 은화 연구](https://www.liverpool.ac.uk/archaeology-classics-and-egyptology/research/projects/roman/), [표본과 금속 분석 방법](https://archaeologydataservice.ac.uk/archives/view/coins_lt_2005/index.cfm) 황제의 이름, 연대, 화종, 조폐소가 확인되는 표본끼리 비교한다. 공화정의 고순도 데나리우스와 3세기 중엽 유통의 중심이 된 안토니니아누스는 별도 화종이다. 301년 디오클레티아누스의 최고가격령 역시 성격이 다르다. 발굴단이 복원한 비문에는 당국이 정한 상품과 서비스의 상한가격이 나온다. 시장에서 실제로 지불한 가격을 복원하려면 거래 기록이 더 필요하다. [로마 은화의 종류와 조폐소 연구](https://intarch.ac.uk/journal/issue61/10/full-text.html), [아프로디시아스 최고가격령 비문](https://aphrodisias-excavations.com/diocletiansprice/) 병력과 재정을 연결할 때 참고할 실물로는 메트로폴리탄 미술관의 청동 복무 증서가 있다. 서기 149년 무렵 보조군에서 25년을 복무한 제대자에게 부여한 시민권과 혼인권을 확인할 수 있다. 이 유물은 출신과 법적 지위, 보상 조건을 함께 보여 준다. [소장품 23.160.32a, b](https://www.metmuseum.org/art/collection/search/251376) ## 스페인 왕실은 어느 채무의 지급을 멈췄나 포토시 산업 유산에는 은광과 수력 제련 시설, 왕립 조폐소, 강제 동원된 원주민 노동자의 거주지가 남아 있다. 은 생산과 유럽 송금은 별개 계정이다. 아메리카에서 생산된 은의 행선지를 추적할 때에는 대서양을 건너 세비야로 가는 길과 멕시코 아카풀코에서 태평양을 건너 마닐라로 가는 길을 함께 살펴본다. [유네스코의 포토시 설명](https://whc.unesco.org/en/list/420/), [마닐라 갈레온 무역 자료](https://www.metmuseum.org/essays/the-manila-galleon-trade-1565-1815) 마우리시오 드렐리크만과 한스요아힘 보트는 펠리페 2세의 왕실 차입 계약을 조사했다. \*아시엔토(asiento)\*는 단기 신용과 지역 간 송금을 조합할 수 있는 계약이었고, \*후로(juro)\*는 특정 세입에 연계한 장기 채권이었다. 두 연구자가 집계한 지급정지 연도는 1557년, 1560년, 1575년, 1596년이다. 1575년 지급정지 뒤 1577년 합의에서는 새 세금에 기초한 장기채로 채권자에게 갚고 신규 대출도 받았다. 부도 연표에 당시 중단한 지급과 합의 뒤 다시 열린 신용을 같이 적어야 자금 조달의 변화를 복원할 수 있다. [연구 논문](https://doi.org/10.1111/j.1468-0297.2011.02442.x), [저자 공개본 PDF, 2절과 그림 1](https://www.crei.cat/wp-content/uploads/users/working-papers/voth_borrowerfromhell_nov.pdf) ## 암스테르담의 지분과 은행 예금은 어떻게 거래됐나 베스트프리스 기록보관소가 소개하는 1606년 문서는 1602년에 약정한 네덜란드 동인도회사(VOC) 지분 150길더의 납입을 마쳤다는 증서다. 주주의 소유권은 회사 장부에, 소유자 변경은 별도 장부에 기록됐다. 사진 아래 날짜만 보고 회사 설립일과 납입일을 합치기 쉬운 사례다. [기록보관소의 원본과 해설](https://www.westfriesarchief.nl/verhalen/het-oudste-aandeel/) 암스테르담 은행은 예금 계정 사이의 이체로 거래 대금을 결제했다. 은행 예금이 금속 주화보다 비싸게 거래될 때 그 차액을 연구자들은 *agio*라는 프리미엄으로 표시한다. BIS 연구는 은행의 월별 자산 구성과 이 프리미엄을 함께 복원했다. 대출이 늘고 재정 지원이 부족해진 1780년대에는 장부상 은행 돈에 대한 신뢰가 흔들렸다. 암스테르담과 런던 사이의 자본 이동에는 별도의 자료가 있다. 앤 카를로스와 래리 닐은 18세기 두 시장이 상업과 전쟁 자금을 공급하면서 상당 기간 서로의 성장을 도운 과정을 추적했다. [BIS 월별 은행 장부 연구](https://www.bis.org/publ/work902.htm), [두 금융도시 비교 연구](https://doi.org/10.1017/S0968565010000338), [LSE 공개본 PDF](https://eprints.lse.ac.uk/38799/1/Amsterdam%20and%20London%20as%20financial%20centres%20in%20the%2018th%20century%28lsero%29.pdf) ## 수에즈 위기의 보유액과 IMF 인출액 1956년 12월 4일 영국 재무장관은 하원에서 11월 말 금과 달러 보유액을 19억 6,500만 달러, 11월 감소액을 2억 7,900만 달러, 10월 감소액을 8,400만 달러로 밝혔다. 월말 잔액을 백만 달러 단위로 복원하면 10월은 1,965 + 279 = 2,244, 9월은 2,244 + 84 = 2,328이다. 제임스 보턴의 IMF 논문 그림 1에는 발표 잔액과 일부 특별 거래를 조정한 순액이 따로 그려져 있다. 아래 도표는 하원에서 발표한 잔액을 썼다. [영국 하원 회의록](https://api.parliament.uk/historic-hansard/commons/1956/dec/04/gold-and-dollar-reserves-and-economic), [보턴의 논문 PDF, 그림 1과 주석 28](https://www.imf.org/External/Pubs/FT/staffp/2001/03/pdf/boughton.pdf) ![9월부터 11월까지 영국이 발표한 월말 금과 달러 보유액과 20억 달러 방어 기준](https://www.readiz.com/assets/authored/c3c25b5d-d628-4d31-aaa1-7391ad78cf9f/209b4879-77ec-4ec6-9032-b4a6b33721ac.webp) *점선은 영국이 1파운드당 2.80달러 환율을 방어하며 유지하려던 보유액 기준이다. 단위는 당시 미 달러. [영국 하원 회의록](https://api.parliament.uk/historic-hansard/commons/1956/dec/04/gold-and-dollar-reserves-and-economic), [IMF 연구](https://www.imf.org/External/Pubs/FT/staffp/2001/03/pdf/boughton.pdf)* 12월 10일 영국 지원액은 총 13억 달러로 발표됐다. 보턴의 표 1에서 이를 나누면 실제 인출이 약 5억 6,150만 달러, 미사용 대기성 신용 약정이 약 7억 3,850만 달러다. 후자는 필요하면 자금을 쓸 수 있다는 약속이다. 실제로 들어온 돈을 집계할 때에는 인출액만 더한다. 외교 결정의 순서는 영국의 휴전 수락(11월 6일), IMF 지원 승인(12월 10일), 영국군과 프랑스군의 철수 완료(12월 22일)다. [IMF 연구 표 1](https://www.imf.org/External/Pubs/FT/staffp/2001/03/pdf/boughton.pdf), [미 국무부 외교사료](https://history.state.gov/historicaldocuments/frus1955-57v16/d516), [유엔 평화유지군 기록](https://www.un.org/en/node/217682) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/72ae5183-9b2a-449b-ad78-9d88227407bd" title: "트랜스포머는 문맥을 어떻게 계산할까" description: "Q, K, V의 작은 계산 예제에서 멀티헤드와 디코더 마스크, 학습의 병렬성과 긴 문맥의 비용까지 연결해 읽는다." kind: "record" published: "2026-11-17T09:47:13.417Z" tags: ["AI","머신러닝"] url: "https://www.readiz.com/records/transformer-attention-equations-context/" markdownUrl: "https://www.readiz.com/records/transformer-attention-equations-context/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 트랜스포머는 문맥을 어떻게 계산할까 트랜스포머를 이해하는 데 가장 중요한 질문은 이것이다. **한 단어의 표현을 만들 때, 문장 속 다른 단어의 정보를 어떻게 가져올까?** 어텐션은 이 질문을 행렬 계산으로 푼다. 참고할 대상을 점수로 매기고, 그 점수를 비율로 바꾼 다음, 각 대상의 정보를 그 비율만큼 섞는다. 이 계산을 모든 위치에서 병렬로 수행할 수 있게 만든 것이 트랜스포머의 힘이다. 멀리 떨어진 단어도 직접 연결된다. 2017년의 번역 모델이 이후 언어 모델의 중요한 기반이 된 이유를 이해하려면, 유명한 수식 한 줄과 그 주변 구조를 함께 봐야 한다. 뉴런한알의 영상은 이 흐름을 임베딩부터 번역 결과까지 따라간다. 아래에서는 원 논문의 기본 모델을 기준으로 계산을 풀고, 작은 수치 예제를 더해 각 행렬이 무엇을 하는지 살펴본다. [YouTube: 트랜스포머 논문 해부 | Attention Is All You Need를 수식으로 읽기](https://www.youtube.com/watch?v=FcXk1i06er0) ## 앞 단어를 기다리지 않고 문맥을 읽기 RNN은 앞 단계의 상태를 받아 다음 상태를 만든다. 문장의 첫 토큰에서 두 번째로, 두 번째에서 세 번째로 계산이 이어진다. 앞의 계산 결과가 있어야 뒤를 계산할 수 있으므로 한 문장 안의 시간축을 병렬화하기 어렵다. 멀리 떨어진 토큰 사이에 정보를 전달하려면 여러 상태를 거쳐야 한다는 문제도 있다. 어텐션은 트랜스포머보다 먼저 등장했다. [Bahdanau 등의 번역 연구](https://arxiv.org/abs/1409.0473)는 출력 단어를 만들 때 원문의 여러 위치에서 정보를 가져오는 방법을 RNN 기반 모델에 결합했다. 트랜스포머는 이 방향을 더 밀고 나갔다. 문맥을 만드는 과정에서 순환 구조를 걷어내고, 위치 사이의 연결을 어텐션으로 계산한 것이다. 원래 트랜스포머는 **인코더가 원문을 읽고, 디코더가 번역문을 생성하는 구조**다. 인코더는 각 원문 토큰을 문맥이 반영된 벡터로 바꾼다. 디코더는 지금까지 나온 번역문과 인코더의 결과를 함께 참고해 다음 토큰을 예측한다. 양쪽에 각각 6개 층을 쌓는다. 층의 모양은 같지만 층마다 학습하는 가중치는 따로 있다. ![원문 인코더와 번역문 디코더를 연결한 트랜스포머 구조](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/722063c8-4dfc-4dc7-8e36-0451726674b9.webp) *논문 그림 1을 영상에서 다시 그린 구조도. 오른쪽 디코더가 왼쪽 인코더의 결과를 받아 번역을 이어간다. [뉴런한알, 2:13](https://www.youtube.com/watch?v=FcXk1i06er0\&t=133s)* ## 토큰 번호에 의미와 위치를 담기 먼저 문장을 토큰으로 나눈다. 토큰은 자주 쓰는 단어 하나일 수도 있고 단어의 일부일 수도 있다. 원 논문의 영어→독일어 실험은 두 언어가 함께 쓰는 약 37,000개 토큰의 어휘를 사용했다. 각 토큰에 번호가 있고, 그 번호로 임베딩 표의 한 행을 꺼낸다. 기본 모델의 임베딩은 숫자 512개다. 토큰 번호가 146이라면 146번째 행의 512개 값을 가져온다. 146이라는 수의 크기를 의미로 사용하는 것이 아니라, 학습되는 표의 주소로 사용하는 셈이다. 길이가 $n$인 문장은 $n\times512$ 행렬이 된다. 여기서 $d_{\text{model}}=512$는 모델 내부 표현의 폭이다. 이 표는 학습 중 바뀐다. 같은 토큰은 입력에서 같은 임베딩을 가져오지만, 이후 어텐션을 거친 표현은 주변 토큰에 따라 달라진다. ‘배’가 과일인지 탈것인지 가르는 데 필요한 문맥은 이 다음 계산에서 들어온다. 위치 정보도 필요하다. 위치를 넣지 않은 셀프 어텐션은 입력 행을 섞으면 출력 행도 그에 맞춰 섞이는 구조다. 어떤 토큰이 먼저 나왔는지 알아야 하는 번역에서는 각 위치를 구분할 단서를 더해야 한다. 원 논문의 입력은 다음과 같이 생각할 수 있다. $$ X_p=\sqrt{d_{\text{model}}}\,E[t_p]+PE_p $$ $E[t_p]$는 위치 $p$의 토큰 임베딩, $PE_p$는 그 위치의 인코딩이다. 임베딩과 위치 인코딩의 길이를 같게 만들어 원소별로 더한다. 위치 인코딩은 사인과 코사인으로 만든다. $$ PE(p,2i)=\sin\left(\frac{p}{10000^{2i/d_{\text{model}}}}\right) $$ $$ PE(p,2i+1)=\cos\left(\frac{p}{10000^{2i/d_{\text{model}}}}\right) $$ $p$는 토큰 위치, $i$는 사인과 코사인 한 쌍의 번호다. 앞쪽 차원은 위치가 조금만 바뀌어도 빠르게 변하고, 뒤쪽 차원은 느리게 변한다. 빠른 파동과 느린 파동을 함께 담아 위치에 따른 패턴을 만든다. 차원이 512라면 이런 쌍이 256개다. ![토큰 위치와 벡터 차원에 따라 달라지는 사인과 코사인 위치 인코딩](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/d9bfe94e-70b1-437f-95fe-a326396f2a65.webp) *세로축은 위치 0부터 99, 가로축은 차원 0부터 511. 차원마다 변화 속도가 다른 위치 신호를 넣는다. [뉴런한알, 4:06](https://www.youtube.com/watch?v=FcXk1i06er0\&t=246s)* 연구진은 위치 벡터 자체를 학습하는 방식도 시험했고 비슷한 번역 성능을 얻었다. 사인파를 택한 이유는 학습에서 본 것보다 긴 길이에도 적용될 가능성과 상대 위치를 표현하기 좋은 성질에 있었다. 긴 문장에 대한 외삽은 이 선택의 기대였고, 이 실험에서 입증한 결과는 두 위치 표현 방식의 비슷한 번역 성능이다. [논문 3.4절과 3.5절](https://arxiv.org/html/1706.03762v7#S3.SS4) ## Q, K, V는 같은 입력에 서로 다른 역할을 주는 변환 어텐션에 들어온 토큰 벡터에서 세 가지 표현을 만든다. - **Query, Q:** 지금 위치가 어떤 정보를 찾을지 나타내는 벡터. - **Key, K:** 다른 위치의 질문과 얼마나 잘 맞는지 비교할 벡터. - **Value, V:** 참고 대상으로 선택됐을 때 실제로 가져올 정보. 셀프 어텐션에서는 같은 입력 $X$에 서로 다른 학습 행렬을 곱한다. $$ Q=XW_Q,\qquad K=XW_K,\qquad V=XW_V $$ 기본 모델의 헤드 하나를 보자. $X$의 크기는 $n\times512$, 각 투영 행렬의 크기는 $512\times64$다. 따라서 $Q,K,V$는 각각 $n\times64$가 된다. 같은 입력에서 만들지만 곱하는 행렬이 다르므로 결과도 서로 다르다. ![512차원 입력을 서로 다른 학습 행렬로 변환해 Q K V를 만드는 과정](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/e1e31045-3768-44d1-b228-1ae2f00962b6.webp) *한 토큰에서 64차원의 Q, K, V를 만드는 투영. 화면의 칸 수는 축소했고 표기된 차원은 기본 모델의 헤드 하나 기준이다. [뉴런한알, 5:03](https://www.youtube.com/watch?v=FcXk1i06er0\&t=303s)* 이렇게 역할을 나누면 ‘무엇을 기준으로 찾을 것인가’와 ‘찾아서 무엇을 가져올 것인가’를 따로 학습할 수 있다. 검색 점수는 Q와 K로 만들고, 실제 출력에 섞이는 정보는 V에 담는다. ## 어텐션 수식 한 줄을 실제 계산으로 읽기 $$ \operatorname{Attention}(Q,K,V) =\operatorname{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V $$ 첫 번째 곱셈 $QK^\top$은 모든 질문과 모든 키의 내적이다. $n\times64$와 $64\times n$을 곱하므로 $n\times n$ 점수표가 나온다. 행 $i$, 열 $j$는 ‘토큰 $i$가 토큰 $j$를 얼마나 참고할지’를 정하는 점수다. 다음으로 점수를 $\sqrt{d_k}$로 나눈다. 기본 모델의 헤드에서는 $d_k=64$이므로 8로 나눈다. 그 뒤 **행마다** softmax를 적용해 합이 1인 가중치를 만든다. $$ a_{ij}=\frac{\exp(s_{ij})}{\sum_{r=1}^{n}\exp(s_{ir})}, \qquad s_{ij}=\frac{q_i\cdot k_j}{\sqrt{d_k}} $$ 마지막으로 이 가중치로 V를 섞는다. 출력의 $i$번째 행은 $z_i=\sum_j a_{ij}v_j$다. 점수표의 행 하나가 해당 토큰의 정보 수집 비율이 되는 것이다. 직접 계산할 수 있게 차원을 2로 줄여 보자. 질문 하나를 $q=(1,0)$으로 놓고, 세 토큰의 키와 값을 다음처럼 정한다. | 대상 | 키 $k_j$ | 가져올 값 $v_j$ | | -- | ------- | ----------- | | A | $(1,0)$ | $(2,0)$ | | B | $(0,1)$ | $(0,2)$ | | C | $(1,1)$ | $(2,2)$ | $q=(1,0)$과 각 키의 내적은 A부터 차례로 $1,0,1$이다. $d_k=2$이므로 이를 $\sqrt2$로 나누면 점수는 약 $0.7071,0,0.7071$이 된다. 이 세 점수에 softmax를 적용한 가중치는 약 $0.4011,0.1978,0.4011$이다. 각 값에 가중치를 곱해 더하면 결과는 다음과 같다. $$ \begin{aligned} z &\approx 0.4011(2,0)\\ &\quad+0.1978(0,2)\\ &\quad+0.4011(2,2)\\ &\approx(1.6044,1.1978) \end{aligned} $$ A와 C의 키가 이 질문과 더 잘 맞으므로 두 값이 더 많이 섞인다. Q와 K는 섞는 비율을 결정하고, V는 섞을 재료를 제공한다. 문장 전체에서는 이 계산을 질문마다 따로 반복하는 대신 행렬 곱으로 한꺼번에 처리한다. 그런데 왜 $\sqrt{d_k}$로 나눌까? 성분들이 서로 독립이고 평균 0, 분산 1이라고 가정하면, $d_k$개 곱을 더한 내적의 분산은 $d_k$가 된다. 차원이 커질수록 점수의 규모가 커지는 것이다. 이를 $\sqrt{d_k}$로 나누면 분산이 다시 1이 된다. 점수 차이가 너무 커지면 softmax가 한 대상에 거의 모든 비중을 주는 구간으로 들어가고, 출력 비율을 바꾸는 기울기도 작아진다. 스케일링은 차원 증가 때문에 너무 이르게 이런 상태에 들어가는 것을 완화한다. 앞의 독립성과 분산 가정은 이 배율을 설명하는 출발점이다. 학습 중인 모든 Q와 K가 정확히 그 분포를 유지해야 하는 것은 아니다. [논문 3.2.1절과 각주 1](https://arxiv.org/html/1706.03762v7#S3.SS2.SSS1) ## 헤드를 나누면 여러 정보 수집 방식을 함께 배운다 헤드 하나는 각 토큰에 대해 하나의 가중합을 만든다. 여러 관계를 한 번의 평균에 넣으면 필요한 정보가 섞여 구분하기 어려울 수 있다. 멀티헤드 어텐션은 서로 다른 투영을 통해 여러 가중합을 병렬로 만든다. 기본 모델은 헤드 8개를 사용한다. **각 헤드가 512차원 입력 전체를 받아 자기만의 행렬로 64차원에 투영한다.** 원래 입력을 앞 64칸, 다음 64칸처럼 고정 분할해 따로 읽는 방식으로 이해하면 투영의 역할을 놓친다. $$ H_r=\operatorname{Attention}(XW_Q^{(r)},XW_K^{(r)},XW_V^{(r)}) $$ 각 결과는 $n\times64$다. 8개를 가로로 이어 붙이면 $n\times512$가 되고, 출력 행렬 $W_O$를 곱해 헤드 사이의 정보를 다시 조합한다. ![8개 헤드의 출력을 이어 붙이고 출력 행렬로 다시 섞는 과정](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/b5c6bce9-b648-4ea6-b8dc-c1c8d327d882.webp) *헤드별 출력을 합친 뒤에도 토큰마다 512차원의 표현을 유지한다. [뉴런한알, 7:16](https://www.youtube.com/watch?v=FcXk1i06er0\&t=436s)* 서로 다른 헤드는 인접한 위치, 멀리 떨어진 위치, 문장 안의 서로 다른 관계를 참고하도록 학습될 수 있다. 어떤 헤드가 어떤 역할을 맡을지는 학습 결과에 달린다. 원 논문의 영어→독일어 개발 세트 실험에서는 헤드 8개가 BLEU 25.8, 헤드 1개가 24.9였다. 헤드 32개로 늘린 설정은 25.4였으므로, 이 실험에서는 무조건 많이 나누는 것이 유리하지 않았다. [논문 표 3](https://arxiv.org/html/1706.03762v7#S6.T3) ## 모은 정보를 가공하고 다음 층으로 넘기기 어텐션 다음에는 FFN이라는 작은 신경망이 온다. 어텐션이 위치 사이에서 정보를 모았다면, FFN은 **각 위치 안에서** 그 정보를 다시 가공한다. $$ \operatorname{FFN}(x)=\max(0,xW_1+b_1)W_2+b_2 $$ 512차원을 2048차원으로 넓히고, 음수를 0으로 만드는 ReLU를 적용한 뒤, 다시 512차원으로 줄인다. 같은 층 안에서는 모든 위치에 같은 FFN 가중치를 적용한다. 층이 달라지면 가중치도 달라진다. ![512차원을 2048차원으로 확장한 뒤 ReLU와 선형 변환으로 다시 줄이는 FFN](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/5f9efdf3-1a56-409f-adb2-efa08d346f7c.webp) *어텐션이 모은 정보를 토큰별로 가공하는 FFN. [뉴런한알, 7:54](https://www.youtube.com/watch?v=FcXk1i06er0\&t=474s)* 어텐션과 FFN 각각에는 잔차 연결이 붙는다. 부분 층이 계산한 결과에 원래 입력 $x$를 더해, 변환을 거친 경로와 입력을 직접 전달하는 경로를 함께 둔다. 원 논문은 더한 뒤 LayerNorm을 적용한다. 드롭아웃을 생략해 쓰면 식은 다음과 같다. $$ \operatorname{LayerNorm}(x+\operatorname{Sublayer}(x)) $$ LayerNorm은 각 토큰의 특징 차원에 걸쳐 평균과 분산을 계산해 정규화하고, 학습되는 배율과 이동값을 적용한다. 층을 쌓을 때 값의 규모를 다루는 장치다. 기본 모델은 부분 층 출력에 드롭아웃 0.1을 적용한 뒤 잔차로 더하며, 임베딩과 위치 인코딩의 합에도 드롭아웃을 적용했다. 폭을 계속 512로 유지하는 이유도 여기서 보인다. 원래 입력과 새 결과를 그대로 더할 수 있어야 한다. 이렇게 정보 수집, 위치별 가공, 잔차 연결과 정규화가 한 층을 이루고, 다음 층은 그 결과에서 다시 문맥을 계산한다. [논문 3.1절, 3.3절과 5.4절](https://arxiv.org/html/1706.03762v7#S3.SS1) ## 학습은 동시에, 번역은 한 토큰씩 디코더에는 어텐션이 두 종류 들어간다. 첫 번째는 번역문 쪽의 **마스크된 셀프 어텐션**, 두 번째는 원문을 참고하는 **교차 어텐션**이다. 그 뒤 FFN을 통과한다. 학습할 때 정답 번역문 전체를 이미 알고 있다. 이를 그대로 보여 주면 다음 토큰을 예측해야 할 위치가 정답을 미리 읽어 버린다. 그래서 입력을 한 칸 밀고, 미래 위치를 가린다. | 위치 | 디코더에 넣는 토큰 | 그 위치가 맞혀야 하는 토큰 | | -- | ---------- | --------------- | | 0 | 시작 기호 | Ich | | 1 | Ich | bin | | 2 | bin | ein | | 3 | ein | Student | 가령 `bin`을 입력받은 위치는 그 앞의 시작 기호와 `Ich`, 그리고 현재 입력 `bin`까지 참고해서 `ein`을 맞힌다. 뒤쪽 입력인 `ein`은 읽을 수 없다. 자기 위치를 보는 것이 허용돼도 입력과 정답을 한 칸 어긋나게 놓았으므로 정답 누설을 막을 수 있다. 점수 행렬에서 허용되지 않는 칸을 $-\infty$로 바꾼 뒤 softmax를 적용한다. 그 칸은 $\exp(-\infty)=0$이 되어 가중합에 기여하지 않는다. ![미래 위치의 어텐션 점수를 마이너스 무한대로 바꿔 softmax 가중치를 0으로 만드는 마스크](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/d7770f81-283b-4d13-bb1b-7c919fbc3d75.webp) *행보다 뒤쪽에 있는 열을 가리는 인과 마스크. [뉴런한알, 8:47](https://www.youtube.com/watch?v=FcXk1i06er0\&t=527s)* 교차 어텐션에서는 Q를 디코더에서, K와 V를 인코더의 최종 출력에서 만든다. ‘지금 만들 번역 토큰에 필요한 원문 정보’를 찾는 계산이다. 원문 길이가 $n$, 번역문 길이가 $m$이면 점수표는 $m\times n$이다. 두 문장의 길이가 같을 필요도 없다. ![디코더의 Q와 인코더의 K V가 만나는 교차 어텐션](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/aa0c850c-37a2-47fc-ae66-571ddd820526.webp) *번역문 쪽 질문으로 원문 표현을 참고하는 구조. 화면의 가중치는 설명용 예시다. [뉴런한알, 8:57](https://www.youtube.com/watch?v=FcXk1i06er0\&t=537s)* 디코더 6층을 지나면 선형 변환으로 각 어휘의 점수를 만들고, softmax로 다음 토큰의 확률 분포를 얻는다. 원 논문은 입력과 출력 임베딩, 마지막 출력 변환에 가중치를 공유했다. 실제 번역에서는 후보 문장을 여러 개 유지하는 빔 탐색을 사용했다. 학습에서는 정답을 한 칸 밀어 넣을 수 있으므로, 모든 위치의 다음 토큰 예측을 한 번에 계산한다. 생성에서는 아직 다음 토큰이 없으므로 하나를 선택한 뒤 그 결과를 다음 입력에 붙여야 한다. **문맥을 계산하는 병렬성과 출력 토큰을 확정하는 순서는 서로 다른 문제다.** 이 차이를 잡으면 ‘트랜스포머는 병렬인데 왜 답변은 차례로 나오는가’가 이해된다. [논문 3.1절과 3.2.3절](https://arxiv.org/html/1706.03762v7#S3.SS2.SSS3) ## 빠른 이유와 긴 문장에서 비싸지는 이유는 같은 점수표에 있다 셀프 어텐션은 어느 두 위치 사이든 직접 점수를 계산한다. RNN처럼 중간 토큰들을 차례로 거치지 않아도 된다. 이 짧은 정보 전달 경로와 행렬 계산의 병렬성이 핵심이다. ![셀프 어텐션과 RNN의 계산 복잡도와 순차 연산 수 비교](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/0b53b498-641c-412d-aaf3-59b04a23f885.webp) *원 논문 표 1의 비교. $n$은 시퀀스 길이, $d$는 표현 차원이다. [뉴런한알, 9:44](https://www.youtube.com/watch?v=FcXk1i06er0\&t=584s)* 논문은 셀프 어텐션의 위치 간 계산을 $O(n^2d)$, 순환 층을 $O(nd^2)$로 비교한다. 문장 길이 $n$이 표현 차원 $d$보다 작으면 전자가 유리하다. 동시에 셀프 어텐션에는 문장 길이만큼 이어지는 순환 의존성이 없다. 실제 블록의 비용을 셀 때는 Q, K, V를 만드는 투영과 FFN도 포함한다. 이들은 $O(nd^2)$ 규모의 항을 더한다. 따라서 표의 두 식만 대입해 전체 모델의 실측 속도 비율로 읽으면 안 된다. 표가 보여 주는 것은 위치 사이의 연결 방식과 병렬화 가능성의 차이다. 대가는 모든 쌍을 비교한다는 데 있다. 토큰 1,000개면 헤드 하나의 점수는 100만 개, 2,000개면 400만 개다. 길이가 두 배일 때 쌍의 수는 네 배가 된다. 긴 문맥에서는 이 이차 증가가 부담이 된다. 모든 토큰을 직접 연결했기에 먼 문맥을 짧은 경로로 가져오지만, 그 연결의 수만큼 일을 해야 한다. [논문 4절](https://arxiv.org/html/1706.03762v7#S4) ## 구조의 장점을 번역 성능으로 만든 학습 학습에는 WMT 2014의 영어→독일어 약 450만 문장 쌍, 영어→프랑스어 약 3,600만 문장 쌍을 사용했다. 길이가 비슷한 문장들을 묶어 배치당 원문 약 25,000토큰과 번역문 약 25,000토큰을 처리했다. 비슷한 길이끼리 묶으면 짧은 문장을 긴 문장에 맞추느라 채우는 빈칸을 줄일 수 있다. 최적화에는 Adam을 사용했다. 학습률은 처음 4,000단계 동안 선형으로 올리고, 이후 단계 수의 제곱근에 반비례하도록 내렸다. $s$를 학습 단계, $w=4000$을 워밍업 길이라고 쓰면 다음과 같다. $$ \eta(s)=d_{\text{model}}^{-1/2}\min(s^{-1/2},s\,w^{-3/2}) $$ 초반에는 오른쪽 항이 작아 학습률이 올라가고, $s=w$에서 두 항이 만난다. 이후에는 왼쪽 항을 따라 내려간다. ![처음 4000단계까지 증가한 뒤 역제곱근으로 감소하는 학습률](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/9ca8776a-cd99-4ec9-b7ac-e32f1031c1d5.webp) *기본 모델의 폭 512, 워밍업 4,000을 넣은 학습률 곡선. [뉴런한알, 10:56](https://www.youtube.com/watch?v=FcXk1i06er0\&t=656s)* 레이블 스무딩도 0.1을 적용했다. 정답 토큰에만 확률을 몰아주는 목표 대신 일부 질량을 다른 토큰에 분배해 학습한다. 논문은 이 설정에서 perplexity는 나빠졌지만 정확도와 BLEU는 좋아졌다고 보고했다. 정답 하나에 부여하는 확률을 높이는 성질과 실제 번역 결과의 품질이 완전히 같은 지표는 아니라는 점을 보여 준다. 영상에 나오는 ‘512차원, 헤드 8개’와 ‘3.5일 학습, BLEU 28.4’는 각각 기본 모델과 대형 모델에 해당한다. | 설정 | 기본 모델 | 대형 모델 | | ------------------- | -------: | ----------: | | 인코더 / 디코더 층 | 각각 6 | 각각 6 | | 모델 폭 | 512 | 1024 | | 헤드 수 | 8 | 16 | | FFN 중간 폭 | 2048 | 4096 | | 매개변수 | 약 6,500만 | 약 2억 1,300만 | | 학습 단계 | 10만 | 30만 | | P100 GPU 8개에서 학습 시간 | 약 12시간 | 약 3.5일 | | 영어→독일어 BLEU | 27.3 | 28.4 | | 영어→프랑스어 BLEU | 38.1 | 41.8 | 구조와 매개변수는 논문 표 3, 학습 조건은 5.2절, BLEU는 표 2의 newstest2014 결과다. 영어→프랑스어 대형 모델은 초록과 표 2에 41.8, 6.1절 본문에는 41.0으로 적혀 있어 위 표는 초록과 표 2를 따른다. [원 논문 학습과 결과](https://arxiv.org/html/1706.03762v7#S5) BLEU는 번역 결과와 참조 번역의 단어 묶음이 얼마나 겹치는지 등을 이용하는 평가 점수다. 28.4를 정답률 28.4%로 읽는 값은 아니다. [BLEU 원 논문](https://aclanthology.org/P02-1040/) ![영어 독일어 번역에서 ConvS2S 앙상블과 트랜스포머 기본 모델의 추정 학습 계산량 비교](https://www.readiz.com/assets/authored/72ae5183-9b2a-449b-ad78-9d88227407bd/3631adb1-c60e-4b8f-988b-5f27b43df597.webp) *영어→독일어 결과와 추정 학습 FLOPs. 계산량 막대는 로그 눈금이다. 논문 표 2를 영상에서 다시 그렸다. [뉴런한알, 11:56](https://www.youtube.com/watch?v=FcXk1i06er0\&t=716s)* 영상의 ‘약 23분의 1’은 이 비교에서 나온다. ConvS2S 앙상블은 $7.7\times10^{19}$ FLOPs, 기본 트랜스포머는 $3.3\times10^{18}$ FLOPs다. 두 값을 나누면 약 23.3이다. 이 FLOPs는 학습 시간과 GPU 수, GPU의 지속 연산 성능 추정치로 계산한 값이다. 영어→독일어에서 더 높은 BLEU를 훨씬 작은 추정 학습 계산량으로 얻었다는 것이 이 결과의 의미다. 논문은 영어 구문 분석에도 구조를 적용했다. 문장을 구문 트리로 바꾸는 과제에서도 경쟁력 있는 결과를 얻으며, 번역 이외의 시퀀스 변환 문제로 확장할 가능성을 보였다. ## 남는 것은 정보를 연결하는 계산 방식 이후 BERT는 양방향 문맥을 읽는 인코더 구조를 활용했고, 초기 GPT는 앞쪽 문맥으로 다음 토큰을 예측하는 디코더 기반 구조를 활용했다. 같은 출발점에서 무엇을 입력으로 보고 어떤 목표로 학습하느냐에 따라 다른 모델 계열이 나온 것이다. [BERT 논문](https://arxiv.org/abs/1810.04805), [초기 GPT 논문](https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf) 트랜스포머를 수식으로 읽으면 ‘문맥을 이해한다’는 말이 조금 더 구체적이 된다. Q와 K로 참고 비율을 정하고, V를 그 비율로 섞는다. 여러 헤드가 서로 다른 변환을 배우고, FFN이 모인 정보를 가공한다. 위치 정보와 마스크는 어떤 순서와 범위 안에서 이 계산을 할지 정한다. 원 논문의 성취는 이 조합으로 **먼 위치의 정보를 직접 가져오면서 학습을 병렬화했고, 그 장점을 번역 품질과 계산 효율로 보여 줬다는 것**이다. 긴 문맥의 비용도 같은 구조에서 나온다. 모든 위치를 연결하는 $n\times n$ 점수표. 이 표가 왜 유용하고 왜 비싼지 이해하면, 트랜스포머의 강점과 이후 연구가 풀어야 할 문제를 함께 볼 수 있다. --- --- id: "authored/eb22c6ec-62d4-439f-a614-995b114398a0" title: "Attention Is All You Need: 트랜스포머 수식과 실험을 읽는 자료" description: "원 논문의 행렬 차원, 기본 모델과 대형 모델, 학습과 생성의 차이, BLEU와 추정 FLOPs의 비교 기준을 정리한다." kind: "llm-wiki" published: "2026-11-16T11:40:07.936Z" tags: ["AI","머신러닝"] url: "https://www.readiz.com/llm-wiki/attention-is-all-you-need-transformer-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/attention-is-all-you-need-transformer-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # Attention Is All You Need: 트랜스포머 수식과 실험을 읽는 자료 [Attention Is All You Need](https://arxiv.org/abs/1706.03762)는 Vaswani 등 8명이 2017년에 발표한 트랜스포머 논문이다. 순환과 합성곱 없이 어텐션을 중심으로 입력과 출력의 문맥을 계산하는 번역 모델을 제안했다. 이 문서는 원 논문의 구조, 행렬 차원과 실험 결과를 다시 확인할 때 쓰는 자료 안내다. 본문과 표 위치는 [arXiv v7 HTML](https://arxiv.org/html/1706.03762v7)을 기준으로 한다. [원기관 PDF](https://arxiv.org/pdf/1706.03762). ## 원문에서 필요한 부분 찾기 | 질문 | 원문 위치 | 함께 확인할 내용 | | --------------------------- | --------------- | --------------------------------- | | 인코더와 디코더는 어떻게 연결되는가 | 그림 1, 3.1절 | 인코더 최종 출력, 디코더의 세 부분 층, 입력 한 칸 이동 | | Q, K, V와 softmax는 무엇을 계산하는가 | 3.2절, 식 1, 각주 1 | 행별 정규화, 투영 차원, 내적 스케일의 가정 | | 위치와 순서를 어떻게 넣는가 | 3.5절 | 사인과 코사인 공식, 학습 위치 벡터와의 비교 | | 병렬화와 긴 문맥 비용은 어떻게 다른가 | 4절, 표 1 | 순차 연산 수, 정보 전달 경로, 시퀀스 길이의 제곱 항 | | 기본 모델과 대형 모델의 차이는 무엇인가 | 5.2절, 표 2와 표 3 | 폭과 헤드 수, 학습 단계, 개발 세트와 시험 세트 | | 학습 비용은 어떻게 추정했는가 | 6.1절, 각주 2 | 학습 시간, GPU 수, GPU별 지속 연산 성능 추정치 | ## 어텐션의 행렬 차원 기본 모델은 $d_{\text{model}}=512$, 헤드 수 $h=8$, 헤드별 $d_k=d_v=64$다. 길이가 $n$인 입력에서 셀프 어텐션의 헤드 하나는 다음과 같이 계산한다. $$ Q=XW_Q,\quad K=XW_K,\quad V=XW_V $$ $$ A=\operatorname{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right),\qquad Z=AV $$ | 행렬 | 차원 | 역할 | | ------------- | ---------------- | ----------------- | | $X$ | $n\times512$ | 이전 단계의 토큰 표현 | | $W_Q,W_K,W_V$ | 각각 $512\times64$ | 헤드마다 학습하는 투영 | | $Q,K,V$ | 각각 $n\times64$ | 질문, 비교 기준과 가져올 정보 | | $QK^\top,A$ | 각각 $n\times n$ | 위치 쌍의 점수와 행별 가중치 | | $Z$ | $n\times64$ | 헤드 하나의 출력 | | 헤드 8개 연결 결과 | $n\times512$ | 출력 투영에 들어갈 표현 | 멀티헤드는 입력 전체를 서로 다른 행렬로 투영한다. 입력의 512개 성분을 고정된 64개씩 잘라 각각의 헤드에 주는 것으로 해석하지 않는다. 연결 결과에 $512\times512$ 출력 행렬을 곱한다. $\sqrt{d_k}$ 스케일의 근거는 각주 1이다. Q와 K 성분이 독립이고 평균 0, 분산 1이라는 가정에서 내적의 분산이 $d_k$가 되므로, 그 제곱근으로 나눠 점수의 규모를 조정한다. 교차 어텐션에서는 Q를 디코더 표현에서, K와 V를 인코더 최종 표현에서 만든다. 번역문 길이가 $m$, 원문 길이가 $n$이면 점수표는 $m\times n$이다. 디코더 셀프 어텐션은 미래 위치를 softmax 전에 $-\infty$로 가리고, 한 칸 이동한 정답 입력과 함께 사용한다. 이 구성으로 학습의 위치별 예측은 병렬화하고, 생성은 이전 출력을 입력에 추가하며 진행한다. ## 위치, FFN과 정규화 사인과 코사인 위치 인코딩은 다음과 같다. $$ PE(p,2i)=\sin(p/10000^{2i/d_{\text{model}}}) $$ $$ PE(p,2i+1)=\cos(p/10000^{2i/d_{\text{model}}}) $$ 위치 벡터는 임베딩과 같은 폭이며, 임베딩에 $\sqrt{d_{\text{model}}}$을 곱한 뒤 위치 벡터를 더한다. 3.5절은 학습되는 위치 벡터와 거의 같은 성능을 보고한다. 더 긴 시퀀스로의 외삽은 사인파를 선택한 기대이므로, 이 실험의 입증된 장문 성능 수치로 인용하지 않는다. 기본 모델의 FFN은 $512\to2048\to512$이며 중간에 ReLU를 적용한다. 같은 층의 모든 토큰 위치에서 가중치를 공유하고, 층 사이에는 서로 다른 가중치를 쓴다. 원 논문은 잔차 연결 뒤에 LayerNorm을 놓는 구조다. 드롭아웃을 생략한 식은 $\operatorname{LayerNorm}(x+\operatorname{Sublayer}(x))$다. ## 모델 설정과 평가를 구분하기 | 항목 | 기본 모델 | 대형 모델 | | --------------- | -----: | -----: | | 인코더 / 디코더 층 수 | 각각 6 | 각각 6 | | 모델 폭 | 512 | 1024 | | FFN 폭 | 2048 | 4096 | | 헤드 수 | 8 | 16 | | 매개변수 수 | 65M | 213M | | 학습 단계 | 100K | 300K | | P100 8개에서 학습 시간 | 약 12시간 | 약 3.5일 | | EN-DE 시험 BLEU | 27.3 | 28.4 | | EN-FR 시험 BLEU | 38.1 | 41.8 | 설정은 표 3, 시간은 5.2절, 시험 점수는 표 2의 newstest2014 결과다. 영어→프랑스어 대형 모델은 **초록과 표 2에서 41.8, 6.1절 본문에서 41.0**으로 표기가 다르다. 위 표는 초록과 표 2를 따른다. 헤드 수 비교는 표 3의 영어→독일어 개발 세트 newstest2013 결과다. 헤드 8개 25.8, 1개 24.9, 32개 25.4를 보고한다. ‘헤드 하나에서 0.9 하락’은 이 개발 세트 비교이며 위의 시험 점수와 직접 섞지 않는다. 표 3 실험은 체크포인트 평균을 쓰지 않았다. 학습률은 워밍업 4,000단계까지 선형으로 증가한 뒤 단계 수의 역제곱근으로 줄어든다. Adam의 설정은 $\beta_1=0.9$, $\beta_2=0.98$, $\epsilon=10^{-9}$다. 기본 드롭아웃은 0.1이고 레이블 스무딩도 0.1이다. 논문은 레이블 스무딩으로 perplexity가 나빠져도 정확도와 BLEU는 좋아졌다고 보고한다. BLEU의 정의는 [Papineni 등의 원 논문](https://aclanthology.org/P02-1040/)에서 확인한다. 참조 번역과 후보 번역의 n-gram 일치 등을 바탕으로 하는 점수이므로, 백분율 정답률처럼 읽지 않는다. ## 계산 비용을 비교하는 범위 논문 표 1은 셀프 어텐션의 위치 간 계산 $O(n^2d)$와 순환 층 $O(nd^2)$, 순차 연산 수와 최대 정보 전달 경로를 비교한다. 어텐션의 전체 블록 비용에는 투영과 FFN도 들어가므로, 두 식의 비율은 전체 모델의 실측 속도 비율과 다르다. 합성곱의 경로 길이는 커널 구성에 달리며, 4절은 연속 커널과 팽창 합성곱을 나누어 설명한다. ![영어 독일어 번역의 추정 학습 계산량과 BLEU 비교](https://www.readiz.com/assets/authored/eb22c6ec-62d4-439f-a614-995b114398a0/637c6870-736c-4dac-90b4-a94c66c3560e.webp) *논문 표 2의 ConvS2S 앙상블과 기본 트랜스포머 비교를 영상에서 다시 그린 그림. FLOPs 막대는 로그 눈금이다. [뉴런한알, 11:56](https://www.youtube.com/watch?v=FcXk1i06er0\&t=716s), [원 논문 표 2](https://arxiv.org/html/1706.03762v7#S6.T2)* 표 2의 영어→독일어 ConvS2S 앙상블은 BLEU 26.36, 추정 학습 계산량 $7.7\times10^{19}$ FLOPs다. 기본 트랜스포머는 BLEU 27.3, $3.3\times10^{18}$ FLOPs다. 계산량 비율은 약 23.3배다. 6.1절은 학습 시간, GPU 수와 GPU의 지속 단정밀도 연산 성능 추정치를 곱해 학습 FLOPs를 추정했다고 설명한다. 이 수치는 두 구성의 학습 계산량 비교로 인용한다. 실측 추론 지연, 전력 소비나 동일 하드웨어의 실행시간 비율을 뜻하는 값으로 바꾸지 않는다. ## 선행 연구와 이후 구조 - [Bahdanau, Cho, Bengio, 1409.0473](https://arxiv.org/abs/1409.0473): 2014년 제출된 RNN 기반 번역의 정렬과 어텐션 연구. 어텐션이 트랜스포머보다 앞서 쓰였다는 근거다. - [BERT, 1810.04805](https://arxiv.org/abs/1810.04805): 2018년 공개된 양방향 트랜스포머 인코더 기반 사전학습 연구. - [Improving Language Understanding by Generative Pre-Training](https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf): 2018년 초기 GPT의 디코더 기반 언어 모델 사전학습과 후속 과제 적용 연구. 원래 트랜스포머의 구조와 반복 깊이 모델을 비교하려면 [루프 트랜스포머의 반복 깊이와 효율 비교 자료](https://www.readiz.com/llm-wiki/looped-transformers-recurrent-depth-source-guide/)를 참고한다. 실제 생성 지연과 KV 캐시, 처리량은 [AI 서빙의 지연과 용량을 읽는 법](https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/)에서 이어서 다룬다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/d969b46c-b371-4223-8244-fb57e0657d17" title: "AI가 AI를 연구하기 시작하면, 발전의 속도도 달라진다" description: "드와케시 파텔의 2030년 초지능 전망을 따라, 검증 가능한 연구와 재귀적 자기 개선이 발전을 가속하는 과정과 현실 적응의 조건을 살펴본다." kind: "record" published: "2026-11-15T23:55:43.797Z" tags: ["AI","머신러닝"] url: "https://www.readiz.com/records/ai-research-automation-recursive-improvement/" markdownUrl: "https://www.readiz.com/records/ai-research-automation-recursive-improvement/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # AI가 AI를 연구하기 시작하면, 발전의 속도도 달라진다 AI가 더 좋은 코드를 쓰고 어려운 수학 문제를 푸는 데 익숙해지고 있다. 그 능력을 AI를 만드는 연구에 투입하면 발전의 구조도 바뀐다. 모델이 좋아져 연구가 빨라지고, 그 연구가 다음 모델을 더 빨리 개선한다. 한 번의 성능 향상이 다음 성능 향상의 원인이 되는 것이다. 드와케시 파텔은 「[수학을 덮친 눈사태가 AI 개발로 향하고 있다](https://www.dwarkesh.com/p/rsi)」에서 이 변화 때문에 초지능 전망을 앞당겼다고 설명한다. 그의 중심 시나리오는 2028년쯤 최고의 인간 AI 연구자에 필적하는 자동화 연구자가 등장하고, 2030년까지 여러 분야에서 최고의 인간 전문가에 적어도 맞먹는 AI가 나오는 것이다. 이 전망을 이해하려면 두 연결을 보면 된다. **AI 연구를 자동화하면 다음 AI의 개발이 얼마나 빨라지는가. 그리고 그렇게 얻은 능력이 현실의 다른 전문성으로 얼마나 빨리 이어지는가.** 앞쪽에는 연구 현장의 관측이 쌓이고 있다. 뒤쪽에는 새로운 경험을 배우고 현실에 적응하는 속도라는 큰 가정이 남아 있다. ![더 나은 모델이 가설과 실험을 만들고, 평가로 고른 개선이 다음 모델에 반영되는 순환. 실험 컴퓨트와 사람의 판단이 중간 속도를 제한한다.](https://www.readiz.com/assets/authored/d969b46c-b371-4223-8244-fb57e0657d17/66a33d04-304e-44bc-a1b9-e8f7bb194f1b.webp) *재귀적 자기 개선의 흐름을 그린 설명용 도식. 한 바퀴의 성과가 다음 바퀴의 연구 능력으로 돌아온다. [파텔의 논증](https://www.dwarkesh.com/p/rsi)을 바탕으로 구성.* ## 1. 수학은 왜 먼저 빨라졌나 수학 문제는 풀기 어렵더라도 제출된 풀이를 검사할 수 있다. 특히 증명을 형식 언어로 옮기면, 증명 보조기가 각 단계가 규칙에 맞는지 확인할 수 있다. AI가 후보를 만들고 검증 결과를 받아 고치는 반복을 구성하기에 유리하다. 여기에 탐색의 규모가 더해진다. 한 사람이 문헌을 읽고 몇 가지 아이디어를 시험하는 동안, 많은 AI는 서로 다른 접근을 시도할 수 있다. 성공을 판정할 방법이 있으니 실패한 시도는 버리고 유망한 방향에 자원을 더 투입할 수 있다. 문제를 푸는 능력과 시도할 수 있는 양이 함께 작용하는 셈이다. 파텔이 주목한 사례는 OpenAI의 나비에–스토크스 문제 해법 발표다. OpenAI에 따르면 2026년 9월 1일 시작한 에이전트 실행은 약 88시간 뒤인 9월 5일 해법에 도달했고, Lean 형식화와 검증에 17시간이 더 걸렸다. 연구진은 중간 결과를 보며 자원을 재배치하고 에이전트 그룹 사이의 성과를 연결했다. 사람이 연구를 지휘하고 AI가 대규모 탐색을 맡은 사례다. [OpenAI 발표](https://openai.com/index/navier-stokes-solution/) 클레이 수학연구소는 해법 발표를 환영하며 평가와 공로 인정 절차를 별도로 진행한다고 밝혔다. 형식 검증 이후에도 수학계가 결과를 평가하고 수용하는 과정이 이어진다. [클레이 연구소 발표](https://www.claymath.org/news/navier-stokes-announcement/) 수학에는 좋은 질문을 고르고, 개념을 만들고, 여러 정리를 하나의 이해로 묶는 일도 있다. 파텔은 이 지점에서 AI 개발의 특성을 짚는다. 머신러닝에서는 이미 정해진 목표를 더 잘 달성하는 방법만 찾아도 다음 연구에 바로 쓸 수 있는 이득이 생긴다. 같은 성능을 절반의 계산량으로 얻거나, 같은 GPU에서 더 많은 실험을 돌리거나, 적은 데이터로 새 과제를 배우게 만드는 개선. 각각이 다음 모델을 연구할 시간과 자원을 늘려 준다. ## 2. AI 연구에는 채점할 수 있는 일이 많다 AI 연구를 하나의 거대한 발명으로 생각하면 자동화가 멀어 보인다. 실제 개발 과정에는 작은 가설을 세우고 실험으로 비교하는 일이 많다. 연구의 어느 부분을 바꾸느냐에 따라 채점 기준과 다음 연구가 얻는 이득도 달라진다. | 연구 대상 | 실험에서 비교할 지표 | 다음 연구에 주는 효과 | | ------------------- | ---------------------------------- | --------------------------- | | 사전학습: 데이터와 모델 구조 | 따로 남겨 둔 데이터의 예측 오차, 목표 성능에 필요한 계산량 | 같은 자원으로 더 좋은 모델을 학습 | | 사후학습: 새 과제를 배우는 방법 | 과제 성공률, 필요한 시행 횟수와 계산량 | 연구 에이전트가 새 작업을 더 적은 연습으로 습득 | | 추론 효율성: 모델을 실행하는 방법 | 품질을 유지할 때의 GPU 메모리와 응답 시간 | 같은 자원으로 더 많은 에이전트와 후보를 실행 | 이런 지표는 두 번 쓰인다. 연구하는 AI를 훈련할 때는 성공과 실패를 판정하는 보상이 되고, 실제 연구에서는 여러 실험 중 다음 모델에 반영할 후보를 고르는 기준이 된다. 연구를 가르치는 채점기가 연구를 진행하는 도구로도 쓰이는 것이다. 파텔은 트랜스포머도 이런 관점에서 해석한다. 기존의 어텐션과 잔차 연결, 정규화 같은 구성 요소를 잘 결합하고 학습이 안정적으로 돌아가도록 조정하는 과정에 많은 가치가 있었다는 설명이다. 문헌에서 아이디어를 찾고, 조합하고, 실험으로 맞춰 보는 연구 방식에 AI를 투입할 여지가 크다고 보는 이유다. 작은 실험의 개선을 큰 모델로 옮기는 판단도 필요하다. 작은 모델에서 좋아 보인 방법이 규모를 키운 뒤에도 효과가 있어야 하기 때문이다. 파텔은 작은 실험의 결과로 큰 실험의 성과를 예측하게 하고 실제 결과로 채점하면, 이런 연구 감각의 일부도 학습할 수 있다고 본다. 이 과정의 성패는 평가 기준이 실제 쓸모와 얼마나 잘 연결되느냐에 달려 있다. 학습에 쓰지 않은 문제에서도 개선이 유지되는지, 큰 규모에서 재현되는지, 다른 개선과 합쳤을 때도 효과가 있는지를 확인해야 한다. 실험을 많이 만들수록 좋은 후보를 제대로 고르는 능력의 가치도 커진다. ## 3. 연구소에서는 무엇이 바뀌었나 Anthropic은 내부 연구개발 작업을 AI가 얼마나 주도하는지 측정했다. 2026년 8월에는 사람이 감독하는 가운데 큰 방향의 지시를 받아 작업 대부분을 끝까지 수행하는 AL4 단계가 26%였다. 같은 해 2월에는 1% 미만이었다. 완전 자율인 AL5는 0%였고, AL3 이상은 90%를 넘었다. [측정 기준과 결과](https://www.anthropic.com/institute/measuring-pace-of-ai-development) ![Anthropic 연구개발 작업의 자동화 수준별 비중. 2025년 8월부터 2026년 8월까지를 표시하며, 사람의 감독 아래 AI가 주도하는 AL4는 2026년 8월 26%다.](https://www.readiz.com/assets/authored/d969b46c-b371-4223-8244-fb57e0657d17/71ead5d8-6e18-4aa8-87a5-999f713d51d9.webp) *Anthropic 내부 연구개발 작업의 자동화 수준. 진한 주황색 AL4가 사람의 감독 아래 AI가 주도하는 단계이며, 세로 막대는 90% 측정 구간. [Anthropic 원본](https://www.anthropic.com/institute/measuring-pace-of-ai-development)* 변화의 핵심은 맡기는 단위다. 연구자가 매 단계의 명령을 생각하는 대신 작업 묶음을 맡기고 결과를 검토하기 시작했다. 같은 연구자라도 여러 작업을 함께 진행할 여지가 커진다. OpenAI가 공개한 자료는 연구에 투입되는 에이전트 사용량을 보여 준다. 2026년 8월 중순 기준 사용량 90백분위 연구원의 하루 추론 사용량은 API 가격으로 환산하면 7,000달러를 넘었다. 내부 토큰 사용량을 공통 가격 기준으로 표현한 값으로, 실제 현금 지출액과는 다르다. [OpenAI 연구 가속 보고](https://openai.com/index/research-acceleration-view-inside-openai/) ![OpenAI 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량. 세로축은 달러이며 가로축에는 2026년 1월, 3월, 5월, 7월이 표시돼 있다.](https://www.readiz.com/assets/authored/d969b46c-b371-4223-8244-fb57e0657d17/fc226c8d-0065-4310-a1dc-a669b57f0a38.webp) *[파텔 원문](https://www.dwarkesh.com/p/rsi) 첫 도표의 OpenAI 부분. 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량을 달러로 표시했다. 금액은 [OpenAI 발표](https://openai.com/index/research-acceleration-view-inside-openai/)의 API 가격 환산 기준.* 연구 결과 쪽에 가까운 자료는 독립 평가 기관 METR의 조사다. Anthropic 내부 평가에 참여한 METR 연구자 다수는 범위가 잘 정의된 과제에서 모델 역량이 개선되는 속도가 과거의 약 두 배일 가능성이 높다고 판단했다. 이 판단에 영향을 준 근거 중 하나가 AECI 추세의 가속 추정치다. AECI 추세에서는 약 1.9배의 가속이 추정됐고, 95% 신뢰구간은 1.5배에서 2.8배였다. 이 추정은 AI 활용만의 인과효과를 직접 분리한 측정은 아니다. [METR의 2026년 11월 5일 보고서](https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/) 세 자료를 한 줄로 연결하면 **투입량 증가 → 맡기는 작업의 확대 → 모델 개선 속도의 변화**다. 각각 다른 위치를 측정하지만, AI가 연구의 중심으로 들어오고 있다는 방향은 같다. 재귀적 자기 개선이 강해지려면 이 연결이 다음 개발 주기에서도 반복돼야 한다. ## 4. 빠른 연구자에게도 기다리는 시간이 있다 파텔이 최고의 인간 연구자와 대등한 AI를 중요한 문턱으로 보는 이유는 능력의 질, 작업 속도, 연구자의 수가 함께 달라질 수 있어서다. 좋은 문제를 고르고 막힌 실험을 풀어내는 사람은 여러 팀이 동시에 필요로 한다. AI가 그 수준에 도달하면 같은 능력을 여러 인스턴스에 배치할 수 있다. 데이터 정제, 학습 환경 설계, 추론 커널 개선, 실패한 실험 분석을 나누어 맡기고 공통 평가로 성과를 모으는 방식이다. 작업 속도도 달라진다. 파텔은 사람보다 약 10배 빠른 작업과 밤낮없는 가동을 합쳐 연구자 한 명당 약 50배의 작업량을 상정한다. 그러면 연구 전체도 50배 빨라질까? 전체 과정 중 얼마나 많은 시간을 그 연구자에게 맡길 수 있는지가 중요해진다. ![자동화한 작업이 50배 빨라진다고 가정할 때, 자동화율 50%에서는 전체 속도가 1.96배, 90%에서는 8.47배, 99%에서는 33.56배가 되는 비교 차트.](https://www.readiz.com/assets/authored/d969b46c-b371-4223-8244-fb57e0657d17/e9aac7ed-6b69-43c3-aacd-2c84b068149c.webp) *원문의 가정을 확장한 예시 계산. 맡긴 작업은 50배 빨라지고 남은 작업은 그대로인 순차 과정을 가정했다. 전체 속도는 1 ÷ \[(1 − 자동화율) + 자동화율 ÷ 50]. 실측 결과가 아닌 암달의 법칙 설명용 차트. [가정의 출처](https://www.dwarkesh.com/p/rsi)* 차트에서 가속을 제한하는 것은 남아 있는 작업이다. 실험 결과를 기다리거나 사람이 다음 방향을 결정하는 시간이 그대로라면, 다른 작업을 아무리 빨리 끝내도 그 단계 앞에서 멈춘다. 그래서 자동화가 진행될수록 병목의 위치가 바뀐다. 처음에는 코드를 쓰고 실험을 준비하는 시간이 중요하지만, 그 일이 빨라진 뒤에는 실험 컴퓨트와 결과의 검증, 사람의 판단이 더 큰 비중을 차지한다. AI가 어떤 일을 잘하는지와 함께 그 일이 전체 연구 시간의 얼마나 큰 부분인지를 봐야 하는 이유다. ## 5. 개선이 다음 개선을 돕는 두 경로 재귀적 자기 개선, RSI의 핵심은 연구 성과가 다음 연구의 조건을 바꾼다는 데 있다. 자동화 연구자가 같은 성능을 더 작은 모델에서 얻는 학습법을 찾았다고 해 보자. 그 모델은 학습과 실행에 드는 계산량을 줄일 수 있다. 연구 에이전트도 새 모델로 교체하면 같은 GPU로 더 많은 후보를 검토할 여지가 생긴다. 모델의 효율 개선이 연구 조직의 효율 개선으로 돌아온다. 데이터와 학습 과제도 개선 대상이다. 어떤 문서를 남길지, 어떤 오류를 고칠지, 어떤 합성 과제를 만들지를 바꾸고 실제 학습 결과로 비교할 수 있다. 학습 환경을 만드는 에이전트가 좋아지면 다음 모델이 연습할 과제의 범위와 품질도 넓어진다. 그 과제가 가르친 능력은 별도로 남겨 둔 평가에서 확인한다. 연구 노동이 풍부해지면 계산 자원을 쓰는 방식도 달라진다. 큰 실험 몇 개를 돌리는 대신 작은 실험을 정교하게 설계하고, 실패 기록을 읽고, 다음 실험에서 얻을 정보를 늘리는 데 더 많은 노력을 쓸 수 있다. GPU를 추가하기 전에도 기존 자원의 낭비를 줄일 수 있는 셈이다. 이 힘이 얼마나 오래 이어질까. 더 좋은 연구자가 다음 개선을 쉽게 만드는 힘과, 쉬운 아이디어가 소진되고 큰 실험이 필요해지는 힘이 경쟁한다. 파텔은 그 결과를 두 경로로 나눈다. ![연구 자동화 이후의 두 경로. 소프트웨어 단독 특이점에서는 개선이 다음 개선을 쉽게 만들어 가속이 이어지고, 스파크에서는 초기 도약 뒤 아이디어와 실험 컴퓨트의 병목이 속도를 제한](https://www.readiz.com/assets/authored/d969b46c-b371-4223-8244-fb57e0657d17/de7a0398-728f-42a6-8c06-514e009904c3.webp) *파텔의 두 시나리오를 비교한 설명용 도식. 소프트웨어 개선의 효과가 다음 연구에 얼마나 강하게 돌아오는지에 따라 경로가 갈린다. [시나리오 원문](https://www.dwarkesh.com/p/rsi)* **소프트웨어 단독 특이점**에서는 더 좋은 알고리즘이 연구자의 능력과 수를 늘리고, 그 연구자가 다시 더 좋은 알고리즘을 만든다. 새 데이터센터의 완공을 기다리는 동안에도 큰 도약이 반복된다. **스파크**에서는 초기에 큰 개선을 얻은 뒤 실험 규모와 하드웨어가 다시 속도를 제한한다. 파텔은 이 경로에서도 첫 1년에 평소 3년에서 6년 정도의 발전이 압축될 수 있다고 본다. 두 경로에 각각 50%를 부여한 것은 그의 주관적 전망이다. 스파크만으로도 적응할 시간은 크게 줄어든다. 몇 년에 걸쳐 바꾸려던 개발 방식과 조직의 역할 분담을 훨씬 짧은 기간에 바꿔야 하기 때문이다. 연구 자동화가 낳는 변화의 크기는 무한한 가속이 성립하는지와 별개로 상당하다. ## 6. 연구 능력은 현실의 전문성으로 이어질까 AI 연구를 잘하는 능력에서 모든 분야의 최고 전문가로 넘어가려면 새로운 경험을 배우는 과정이 필요하다. 회사를 운영하고 소송을 준비하고 시장에 진입하는 일에서는 코드의 테스트처럼 바로 정답이 나오지 않는다. 판단의 결과를 몇 달 뒤에야 알 수 있는 일도 많다. 파텔은 이를 메타 학습으로 연결한다. 낯선 상황에서 정보를 모으고, 가설을 세우고, 피드백에 따라 행동을 고치는 법 자체를 배운다는 뜻이다. 복잡한 가상 환경에서 긴 과제를 수행하고 다른 에이전트와 협력하거나 경쟁하면, 새로운 분야에도 쓸 수 있는 능력이 발달할 수 있다고 본다. 그가 상상하는 환경에는 회사를 세우는 모의 경제, 새로운 게임, 과거의 제한된 정보로 이후 사건을 예측하는 과제가 있다. 역사적 예측에서는 정답이 될 이후 정보가 학습에 섞이지 않도록 통제해야 한다. 시뮬레이션에서 배운 전략은 현실 환경에서도 평가해야 한다. 이 검증이 연구 능력의 개선을 현실 적응의 개선과 연결한다. 인간의 진화는 가능성을 설명하는 비유다. 인간은 조상이 겪지 못한 반도체 설계와 현대 과학도 배운다. 한 환경에서 얻은 능력이 새로운 분야의 학습으로 확장될 수 있다는 것이다. 파텔의 빠른 일정이 성립하려면 AI도 필요한 경험을 짧은 시간에 얻고 활용해야 한다. 여기에는 서로 다른 학습 문제가 걸려 있다. 긴 컨텍스트는 한 작업 안에서 과거 기록을 활용하게 해 준다. 적은 사례로 배우는 샘플 효율성은 필요한 경험의 양을 줄인다. 지속 학습은 새 정보를 받아들이면서 기존 능력을 보존하는 문제이고, 여러 사본의 경험을 통합하면 다른 곳에서 배운 것을 공유할 수 있다. 이 능력들이 함께 개선돼야 빠른 현실 적응이 가능해진다. | 나누어 진행하기 쉬운 경험 | 결과를 기다려야 하는 경험 | | ------------------------------ | ------------------------------ | | 회사 문서 검토, 고객 인터뷰 정리, 대안 설계와 비교 | 제품 변경 뒤 고객의 지속 사용, 새 조직의 장기 성과 | AI의 빠른 사고는 준비와 분석 시간을 줄인다. 현실에서 결과가 돌아오는 시간은 다음 판단의 속도를 제한한다. 연구실의 가속이 다른 전문성으로 이어지는 속도를 결정할 병목이다. ## 7. 2030년 전망에서 받아들일 것 파텔은 최고의 인간 수준으로 AI 연구를 자동화하는 시점의 중심값을 2028년쯤으로 잡는다. 빠르면 2027년에도 가능하다고 보면서, 2032년 이후로 늦어질 확률도 약 25%로 남겨 둔다. 그 뒤 연구 가속과 현실 적응이 빠르게 이어져야 2030년 초지능이라는 전망이 성립한다. 현재 자료가 가장 직접적으로 뒷받침하는 것은 첫 연결이다. AI가 연구의 작업 분담을 바꾸고 있고, 연구로 얻은 개선은 다음 세대의 개발 속도까지 바꿀 수 있다. Anthropic의 주도 작업 비중, OpenAI의 에이전트 투입량, METR의 가속 평가는 그 변화의 서로 다른 부분을 보여 준다. 따라서 앞으로의 발전을 지금까지의 모델 출시 간격만으로 연장해 보는 것은 부족하다. 모델을 만드는 연구 과정 자체가 바뀌고 있기 때문이다. 다음 모델의 성능과 함께 그 모델이 연구자의 어떤 일을 맡았는지, 실험과 학습 비용을 얼마나 낮췄는지, 다음 개발 주기를 얼마나 줄였는지를 봐야 한다. 2030년이라는 일정에는 현실 적응까지 이어지는 더 강한 근거가 필요하다. 연구 자동화가 상당한 가속을 만들 수 있다는 판단은 이미 진지하게 받아들일 만하다. AI의 성능 향상이 다음 AI를 만드는 방법까지 바꾸기 시작했다는 것. 이 전망에서 가장 무게 있게 받아들일 변화는 거기에 있다. *** 바탕이 된 글: Dwarkesh Patel, [The avalanche that hit math is coming for AI development](https://www.dwarkesh.com/p/rsi), 원문 페이지 표기 2026년 11월 13일. 연구 자동화와 초지능에 대한 전망을 재구성한 해설이며, 기관별 관측 수치는 각 발표의 정의와 기준 시점을 따랐다. --- --- id: "authored/58106212-7863-4a45-afb7-2ddd4513dba5" title: "AI 연구 자동화와 가속을 읽는 자료: Anthropic, OpenAI, METR" description: "연구 자동화 단계와 에이전트 사용량, METR의 가속 평가를 구분하고 나비에–스토크스 해법 발표의 검증 범위를 정리한다." kind: "llm-wiki" published: "2026-11-15T23:21:30.145Z" updated: "2026-11-15T23:32:08.273Z" tags: ["AI","머신러닝"] url: "https://www.readiz.com/llm-wiki/ai-rd-automation-acceleration-evidence/" markdownUrl: "https://www.readiz.com/llm-wiki/ai-rd-automation-acceleration-evidence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # AI 연구 자동화와 가속을 읽는 자료: Anthropic, OpenAI, METR AI 연구 자동화를 읽을 때는 에이전트의 사용량, 작업을 맡는 수준, 모델의 개선 속도를 나누어 측정한다. 세 지표를 연결하면 AI가 연구 과정에 얼마나 들어왔는지와 실제 성과가 얼마나 빨라졌는지를 살펴볼 수 있다. ## Anthropic R\&D Automation Index [Measurements for understanding the pace of AI development inside frontier labs](https://www.anthropic.com/institute/measuring-pace-of-ai-development)는 Anthropic 내부 연구개발 작업을 Epoch AI의 자동화 단계 AL0부터 AL5까지로 분류한다. | 단계 | AI가 맡는 범위 | 사람의 역할 | | ---------- | ------------------- | -------------- | | AL3: 협업 | 큰 작업 단위를 수행 | 진행 과정에 긴밀하게 지시 | | AL4: 주도 | 작업 대부분을 처음부터 끝까지 수행 | 상위 수준의 지시와 감독 | | AL5: 완전 자율 | 사람의 개입 없이 수행 | 작업에 개입하지 않음 | 2026년 8월 측정에서 AL4는 26%, AL3 이상은 90%를 넘었고, 측정 대상의 AL5는 0%였다. 2월의 AL4 비중은 1% 미만이었다. 모델의 평가와 작업에 대한 사람 시간 가중치가 들어가는 자체 지수이므로, 다른 연구소와 비교하려면 분류와 가중치 방법을 맞춰야 한다. ![Anthropic 내부 모델 연구개발 작업의 자동화 수준별 월간 비중. AI 주도 단계는 2026년 8월 26%다.](https://www.readiz.com/assets/authored/58106212-7863-4a45-afb7-2ddd4513dba5/3ef66506-277c-418f-8ab2-a1cafa2d482e.webp) *2025년 8월부터 2026년 8월까지의 자동화 수준별 비중. 세로 막대는 90% 측정 구간이며, AL4는 사람의 감독을 포함한다. [Anthropic 원본](https://www.anthropic.com/institute/measuring-pace-of-ai-development)* ## OpenAI의 에이전트 사용량 OpenAI가 2026년 9월 6일 공개한 [Research acceleration: The view inside OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/)는 연구 조직의 에이전트 투입과 업무 변화를 다룬다. 2026년 8월 중순 기준 연구 조직의 사용량 중앙값은 하루 600달러 이상, 사용량 90백분위는 하루 7,000달러 이상의 추론 토큰에 해당했다. 금액은 API 가격으로 환산한 사용량이다. 실제 내부 현금 비용, 연구자의 인건비 절감액, 연구 결과의 가치는 각각 별도 지표다. ![OpenAI 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량. 세로축은 달러이며 가로축에는 2026년 1월, 3월, 5월, 7월이 표시돼 있다.](https://www.readiz.com/assets/authored/58106212-7863-4a45-afb7-2ddd4513dba5/8256fa6b-4fb6-4ad7-bb97-d3e7c1081937.webp) *[파텔 원문](https://www.dwarkesh.com/p/rsi) 첫 도표의 왼쪽 OpenAI 부분. 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량을 달러로 표시했다. 금액은 [OpenAI 발표](https://openai.com/index/research-acceleration-view-inside-openai/)의 API 가격 환산 기준.* 이 자료는 에이전트 활용이 늘어나는 정도를 파악할 때 쓴다. 성과를 비교하려면 실험 완료 수와 품질, 다음 모델에 통합된 개선, 전체 연구 주기의 변화까지 함께 확인한다. ## METR의 Anthropic 연구 가속 평가 METR의 [2026년 11월 5일 보고서](https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/)는 8월 12일부터 10월 29일까지 Anthropic 내부 자료에 접근해 진행한 평가를 설명한다. 평가에 참여한 다수 연구자는 2026년 10월 시점의 잘 정의된 과제에 대한 역량 개선 속도가 2024년 3월부터 2025년 10월까지의 약 두 배일 가능성이 높다고 판단했다. 그 판단에 영향을 준 AECI 추세의 가속 추정치는 1.9배, 95% 신뢰구간은 1.5배에서 2.8배였다. 이 수치는 연구소 전체 생산성을 직접 계량한 값과 구별한다. 평가 분포에 대한 과적합과 측정 방법의 영향, 계산 자원 등 다른 투입의 변화가 남아 있다. 보고서는 AI 활용이 가속의 상당 부분을 설명할 가능성이 높다고 평가하지만, AI만의 인과효과를 실험적으로 분리한 것으로 읽지는 않는다. ## 나비에–스토크스 발표를 인용하는 범위 [OpenAI의 2026년 9월 8일 발표](https://openai.com/index/navier-stokes-solution/)는 내부 모델 기반 에이전트가 나비에–스토크스 밀레니엄 문제의 공식 정식화 중 C와 D에 해당하는 해법을 만들었다고 설명한다. 최초 에이전트 실행은 9월 1일, 해법 도달은 9월 5일로 약 88시간이 걸렸고 Lean 형식화와 검증에 17시간이 추가됐다. 연구진이 중간 결과를 보고 자원을 재배치하고 그룹 사이의 성과를 연결했다. 따라서 사람의 개입 수준을 함께 적어야 자율 연구 능력을 정확히 설명할 수 있다. [클레이 수학연구소의 9월 11일 발표](https://www.claymath.org/news/navier-stokes-announcement/)는 해법이 나온 것으로 보인다는 소식을 환영하며 성과의 평가와 공로 인정 절차를 설명했다. [상의 규칙](https://www.claymath.org/millennium-problems/rules/)은 적격 매체 출판, 출판 후 최소 2년 경과, 수학계의 일반적 수용을 심사 선행 조건으로 둔다. 해법 발표와 형식 검증을 밀레니엄 상의 공식 수상으로 바꾸어 인용하지 않는다. ## 재귀적 자기 개선 전망과 연결하기 Dwarkesh Patel의 [The avalanche that hit math is coming for AI development](https://www.dwarkesh.com/p/rsi)는 2026년 11월 13일 표기의 전망 에세이다. AI 연구 자동화가 더 좋은 모델을 만들고, 그 모델이 다음 연구를 가속하는 재귀적 자기 개선을 논한다. 연구 자동화의 관측 자료와 향후 초지능 시점에 대한 저자의 예측은 구분해 인용한다. 대리 지표를 이용한 연구에서는 고정된 계산량에서의 평가 성능, 목표 성능까지 필요한 학습량, 추론 지연과 메모리를 측정할 수 있다. 비교 조건에 대한 세부 자료는 [AI 서빙의 지연과 용량](https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/)과 [루프 트랜스포머의 효율 비교](https://www.readiz.com/llm-wiki/looped-transformers-recurrent-depth-source-guide/)를 참고한다. 관측값을 갱신할 때는 발표일과 실제 관측 기간, 자동화 단계의 정의, 사람의 개입, 계산 자원과 평가 조건을 함께 남긴다. 이 정보가 있어야 연구 투입의 증가와 연구 결과의 가속을 같은 흐름 안에서 비교할 수 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01" title: "완벽한 계획을 기다릴 때 빠지는 것: 실행에서 배우고 기록으로 되찾기" description: "마시멜로 실험에서 목표 설정, 주간 회고와 세컨드브레인까지. 작은 실행으로 몰랐던 조건을 발견하고, 배운 것을 다음 결정에 쓰는 과정을 연결한다." kind: "record" published: "2026-11-11T06:52:08.839Z" tags: ["생산성","계획","지식 관리"] url: "https://www.readiz.com/records/improve-plans-through-action-and-review/" markdownUrl: "https://www.readiz.com/records/improve-plans-through-action-and-review/index.md" recordFolder: "읽을거리/여러 생각" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%97%AC%EB%9F%AC+%EC%83%9D%EA%B0%81" --- # 완벽한 계획을 기다릴 때 빠지는 것: 실행에서 배우고 기록으로 되찾기 계획을 잘 세우고 싶은데, 정작 계획 때문에 시작을 못 하는 경우가 있다. 조금만 더 조사하면 더 나은 답을 찾을 것 같고, 지금 시작했다가 방향을 바꾸면 그동안 쓴 시간이 아까울 것 같다. 그래서 계획을 계속 고친다. 아직 해보지도 않은 일의 계획을. 평균밖성원의 영상은 이 문제를 실행, 계획, 기록이라는 세 가지 이야기로 풀어낸다. 처음에는 마시멜로 탑을 쌓다가, 중간에는 목표를 정하고, 끝에는 AI로 과거의 메모를 찾는다. 소재만 보면 꽤 멀리 떨어져 있다. 이들을 연결하는 질문은 하나다. **지금 모르는 것을 어떻게 알아내고, 그렇게 배운 것을 다음 선택에 어떻게 써먹을 것인가?** 좋은 결과를 원하는 마음은 유지하되, 결과를 만드는 순서를 바꾸자는 이야기다. 먼저 작은 시도를 하고, 예상과 달랐던 점을 다음 계획에 넣는다. 그 과정에서 얻은 생각을 남겨 두었다가 비슷한 결정을 할 때 다시 꺼낸다. 영상에서 말하는 세컨드브레인도 이 흐름의 마지막에 놓여 있다. [YouTube: 스탠퍼드 · 도쿄대 실험으로 밝혀진 '게으른 완벽주의' 해결법 | 계획 세우는 법 · 세컨드브레인](https://www.youtube.com/watch?v=oR-M3KaAJPQ) ## 마시멜로는 언제 올려야 할까 스파게티 면 20가닥, 테이프와 끈, 마시멜로 하나가 주어진다. 네 명이 한 팀이 되어 18분 동안 가능한 한 높은 탑을 만들면 된다. 조건은 꼭대기에 마시멜로를 올린 채 탑이 서 있어야 한다는 것. 톰 우젝이 소개한 마시멜로 챌린지다. ![마시멜로 탑 쌓기 재료와 규칙, TED Wujec 강연 화면](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/8598f06b-c099-4b47-80e3-bbd5a4837d35.webp) *마시멜로 탑 쌓기 재료와 규칙, TED Wujec 강연 화면. [평균밖성원 영상에 인용된 톰 우젝 TED 강연, 00:55](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=55s)* 우젝은 워크숍에서 관찰한 경영대 졸업생과 유치원생의 접근을 비교한다. 어른들은 역할을 나누고 구조를 의논한 뒤 탑을 만든다. 마지막에 마시멜로를 올리면 끝이다. 그런데 그때 탑이 무너진다. 설계할 때 가볍게 보았던 마시멜로가 실제로는 탑이 견뎌야 할 하중이었던 것이다. 유치원생들은 처음부터 마시멜로를 얹어 본다. 무너지면 다시 세우고, 또 얹는다. 여기서 먼저 얻은 것은 높은 탑보다 **어떤 구조가 무게를 못 버티는지에 대한 정보**다. 이 정보를 일찍 얻었으니 고칠 시간도 남는다. 같은 18분을 써도 한쪽은 마지막에 첫 시험을 하고, 다른 쪽은 시험 결과를 여러 번 반영한다. [우젝의 TED 강연](https://www.ted.com/talks/tom_wujec_build_a_tower_build_a_team)과 이를 반복 설계 활동으로 활용한 [Stanford d.school 안내](https://dschool.stanford.edu/tools/spaghetti-marshmallow-challenge)에서 볼 수 있는 차이다. 이 사례를 자기 일로 옮길 때 찾아야 할 것은 마시멜로에 해당하는 조건이다. 웹서비스라면 사람들이 실제로 쓰려는 기능, 프로젝트라면 필요한 데이터에 접근할 수 있는지, 진로라면 상상하던 업무와 실제 업무가 얼마나 같은지. 나머지를 다 준비한 뒤 확인하기에는 너무 큰 영향을 주는 조건들이다. 작게 시작한다는 말도 여기서 구체적이 된다. 전체를 조금씩 만들기보다, 계획이 성립하려면 꼭 맞아야 하는 가정부터 시험하는 것이다. 확인 결과에 따라 나머지 작업의 방향이 달라질 수 있기 때문이다. ## 움직여야 보이는 정보가 있다 영상이 이어서 드는 기업 사례들도 완성 전의 모습을 보여준다. 인스타그램의 전신 Burbn은 위치 기반 서비스였지만, 이후 사진 중심으로 방향을 좁혔다. 공동창업자 [케빈 시스트롬의 회고](https://www.startups.com/founder-interviews/kevin-systrom)에 등장하는 전환이다. Airbnb는 [공식 연혁](https://news.airbnb.com/what-makes-airbnb-airbnb/)상 2007년 샌프란시스코의 집에서 손님 세 명을 맞으며 시작했다. 처음부터 거대한 숙박 플랫폼이 있어야만 수요를 확인할 수 있었던 것은 아니다. Rovio의 이야기는 또 조금 다르다. [회사 연혁](https://www.rovio.com/rovio-history/)에 따르면 Angry Birds는 52번째 게임이었고, 출시 직전 회사는 파산 위기에 가까웠다. 여러 작품을 만들던 회사가 뒤늦게 대표작에 도달한 경우다. 영상은 이 사례들을 먼저 내놓고 반응을 보며 고치는 과정으로 묶는다. 그중 실제 활용할 수 있는 원리는 시도 횟수를 늘리는 데서 한 걸음 더 나간다. 다음 시도의 내용이 앞선 시도에서 얻은 정보 때문에 달라져야 한다. 린 스타트업의 MVP도 이 지점을 다룬다. [에릭 리스의 설명](https://leanstartup.co/resources/articles/what-is-an-mvp/)에서 최소기능제품은 최소한의 노력으로 고객에 관한 검증된 학습을 얻기 위한 제품 버전이다. 어느 기능을 넣을지 고민하기 전에 무엇을 확인할지 정해야 크기를 줄일 수 있다. 고객이 이 문제를 해결하려고 돈을 낼지 궁금하다면, 예쁜 설정 화면을 만드는 일은 그 답을 거의 주지 못한다. 실제 제안을 하고 반응을 보는 편이 그 가정에 가까이 간다. 왜 계획 단계에서 다 알아내면 안 될까? 영상은 애니 듀크의 《Thinking in Bets》, 국내 제목으로 《결정, 흔들리지 않고 마음먹은 대로》에 나오는 포커 비유를 가져온다. 체스는 말의 배치가 공개되어 있지만, 포커에서는 상대의 패가 가려져 있고 앞으로 나올 카드도 모른다. 현재 정보로 판단한 뒤 새 카드가 열릴 때 판단을 갱신해야 한다. 운도 결과에 섞이므로, 결과를 돌아볼 때는 당시 무엇을 알고 어떤 판단을 했는지 함께 봐야 한다. [듀크가 소개한 포커와 판단의 관계](https://www.annieduke.com/article-could-poker-make-you-a-better-investor/)다. ![포커에서 숨겨진 상대 패와 운의 역할](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/c2d18d84-7873-4a8b-99c8-3d9da76a818b.webp) *포커에서 숨겨진 상대 패와 운의 역할. [평균밖성원, 07:50](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=470s)* 영상의 자동차 예시가 이 불완전한 정보를 더 잘게 나눈다. 차값은 이미 안다. 보험료와 기름값은 정확히 몰라도 알아봐야 한다는 사실은 안다. 그런데 첫 차를 사는 사람은 타이어 교체, 주차비, 고장 수리나 중고차 감가를 예산에서 아예 빠뜨릴 수 있다. 금액을 모르는 것과 항목이 있다는 사실조차 생각하지 못한 것은 다르다. 후자는 검색할 질문도 아직 없다. 마시멜로의 무게가 바로 그런 항목이었다. 계획표를 오래 들여다보는 동안에도 빠져 있던 조건을, 실제로 한 번 올리는 순간 발견한다. 실행에는 결과물을 만드는 역할과 함께 질문을 새로 만드는 역할이 있다. 이 때문에 다음 계획은 첫 계획보다 구체적일 수 있다. ## 그래도 계획은 필요하다 매번 새 정보를 얻는다면 계획은 어디까지 세워야 할까. 영상은 목표와 핵심 결과로 방향을 잡고, 분류와 질문으로 그 연결을 점검하는 방식을 제안한다. OKR이 뼈대이고, 《로지컬 씽킹》에서 가져온 MECE와 So What, Why So가 그 뼈대를 살피는 도구다. 먼저 이번에 집중할 큰 목표 하나를 적는다. 그다음 목표에 가까워졌다는 것을 무엇으로 확인할지 정한다. OKR의 Objective가 목표, Key Results가 핵심 결과다. 목표가 방향을 설명한다면 핵심 결과는 진행을 판단할 근거를 준다. [Google의 OKR 가이드](https://rework.withgoogle.com/intl/en/guides/set-goals-with-okrs)도 핵심 결과를 측정 가능한 성과로 작성하도록 설명한다. ![목표와 핵심 결과의 역할](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/3d323c37-1f11-4523-8436-b0c98fe1be84.webp) *목표와 핵심 결과의 역할. [평균밖성원, 16:40](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1000s)* 여기서 지표 선택이 중요해진다. 영상은 유튜브를 예로 든다. 사람들이 더 오래 시청하는 것이 목표라면 클릭을 얼마나 얻었는지와 실제로 얼마나 보았는지를 따로 볼 수 있어야 한다. 유튜브는 2012년 추천에 시청시간 신호를 도입했고, 직후 조회수는 20% 줄었지만 시청시간은 늘었다고 추천 시스템 책임자가 [2021년에 회고](https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/)했다. 회사는 이후 [2016년에 하루 시청시간 10억 시간에 도달했다고 2017년에 발표](https://blog.youtube/news-and-events/you-know-whats-cool-billion-hours/)했다. 같은 변경을 두고 조회수만 보면 되돌려야 할 일처럼 보이고, 시청시간을 보면 목표 쪽으로 움직인 일이 된다. 먼저 목표를 명확히 해야 실행 뒤에도 무엇을 유지할지 판단할 수 있다. 숫자를 붙이는 이유가 이것이다. 그다음에는 목록에서 겹친 부분과 빠진 부분을 찾는다. MECE는 서로 겹치지 않게 나누면서 필요한 범위를 빠짐없이 살피는 분류 원리다. 자동차 비용을 예로 들면 구매, 운행, 수리, 되팔 때의 가치 하락으로 검토할 범위를 나눠 볼 수 있다. 기름값만 적힌 예산표와 달리 수리라는 빈칸이 눈에 들어온다. 얼마가 들지 몰라도 이제 조사할 대상은 생겼다. ![자동차를 사는 돈, 굴리는 돈, 고치는 돈, 되팔 때 깎이는 돈 구분](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/e951e94b-3d8b-44c4-bfe2-fa0528a7a9c6.webp) *자동차를 사는 돈, 굴리는 돈, 고치는 돈, 되팔 때 깎이는 돈 구분. [평균밖성원, 14:25](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=865s)* 이 네 칸은 비용을 찾아보는 틀로 쓰면 된다. 실제 총비용을 계산할 때는 구매대금과 감가를 그대로 더하면 같은 차량 가치가 중복될 수 있으므로, 보유 비용은 구매가격에서 매각가격을 뺀 금액에 운행비와 수리비 등을 더하는 식으로 계산 기준을 맞춘다. 분류에서 겹침을 살피는 이유도 결국 같은 일을 두 번 세거나 필요한 일을 빠뜨리지 않기 위해서다. 마지막으로 결론과 근거를 왕복한다. So What은 “그래서 결론이 뭔데?”, Why So는 “왜 그렇게 말할 수 있는데?”다. 영상은 매출 자료를 들고 팀장에게 보고하는 가상 상황으로 설명한다. 자료를 많이 모았어도 어떤 변화가 있었는지 말하지 못하면 So What에 답하지 못한 것이다. 매출 감소를 신규 고객 감소로 설명했다면, Why So에 답하기 위해 신규 유입과 기존 고객의 재구매 자료를 다시 살펴야 한다. 다른 쪽도 줄었다면 설명의 범위를 고쳐야 한다. 계획에서도 같다. 적어 놓은 일들을 다 했을 때 어떤 상태가 되는지, 그 상태가 목표에 가까워졌다는 근거는 무엇인지 묻는다. 답이 막히는 곳이 다음에 보충할 부분이다. ## 취업 준비를 예로 끝까지 연결해 보면 영상 제작자는 팔란티어에서 커리어를 시작하고 싶다는 목표를 꺼낸다. 관련 업무를 경험하기 위해 중소기업의 지식 그래프 프로젝트를 세 개 진행하고, 업계 사람들과 커피챗을 다섯 번 하고, 독서 모임에서도 사람들을 만나 조언을 얻은 뒤 지원한다는 계획이다. 이때 커피챗과 독서 모임이 같은 목적으로 들어가 있다면 둘을 묶을 수 있다. 둘 다 업계 사람을 만나 업무를 이해하기 위한 수단이기 때문이다. 반대로 대화만 많고 실제로 역량을 보여줄 결과물이 없다면, 그 부분은 비어 있다. 목록의 개수보다 각 항목이 맡은 역할을 보는 것이다. ![커피챗과 독서 모임의 중복을 합치는 영상의 MECE 예시](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/38e68b33-cc7d-4f4c-bf27-e47eee93b875.webp) *커피챗과 독서 모임의 중복을 합치는 영상의 MECE 예시. [평균밖성원, 19:12](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1152s)* 이 사례를 개인 계획으로 쓸 때는 활동과 성과를 한 번 더 나누면 좋다. 프로젝트 세 개는 활동의 규모를 말해 준다. 그 프로젝트에서 어떤 문제를 풀었고, 어떤 판단을 했으며, 결과를 어떻게 설명할 수 있는지는 성과의 내용이다. 다섯 번의 대화에서도 마찬가지다. 만난 횟수 다음에 실제 업무의 요구사항과 자신의 부족한 점이 남아야 다음 행동이 달라진다. 예를 들어 영상의 계획을 다음처럼 구체화할 수 있다. 프로젝트 결과물에는 해결하려던 문제, 사용한 데이터, 선택한 방법과 그 이유를 남긴다. 업계 대화에서는 그 결과물이 실제 업무와 얼마나 닿아 있는지 의견을 얻는다. 그 의견을 반영해 지원 자료를 고친다. 이러면 만들기와 대화, 지원이 각각 떨어진 할 일이 아니라 앞 단계의 결과를 다음 단계가 사용하는 관계가 된다. 채용은 회사의 평가와 채용 상황까지 들어가는 외부 결정이다. 따라서 준비 과정에서 확인할 성과는 업무 이해, 보여줄 역량, 완성된 지원 자료로 구체화하고, 실제 채용 결과는 별도로 본다. 그래야 결과가 좋지 않을 때도 무엇을 고칠지 찾아낼 수 있다. 경험이 부족했는지, 경험을 전달하는 자료가 약했는지, 지원한 역할이 맞지 않았는지는 다음 행동을 서로 다르게 만든다. 이제 몇 달짜리 계획을 이번 주로 좁힌다. 영상에서 말하는 Weekly Compass는 이번 주에 할 중요한 일을 한 장에 적는 주간 계획표다. 프로젝트 세 개라는 항목은 이번 주 중소기업 한 곳에 제안 메일 보내기로, 업계 사람들과의 대화는 이번 주 한 명에게 연락하기로 내려온다. ![목표에서 핵심 결과와 주간 계획으로 이어지는 흐름](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/eb86e7bb-b2c4-4f06-ac9d-556abb45518d.webp) *목표에서 핵심 결과와 주간 계획으로 이어지는 흐름. [평균밖성원, 21:00](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1260s)* 이 주간 계획에는 행동이 작아지는 것 이상의 의미가 있다. 메일을 보내면 상대가 어떤 문제에 관심이 있는지, 프로젝트에 필요한 자료를 받을 수 있는지 알게 될 수 있다. 아직 답이 없어도 누구에게 어떤 제안을 보냈는지는 남는다. 막연히 프로젝트를 준비하던 상태에서 다음 판단에 쓸 관찰이 있는 상태로 바뀐다. ## 회고에서 다음 주 계획이 나와야 한다 제작자는 일요일마다 한 주를 돌아본다고 한다. 먼저 일주일 동안 쓴 일간 기록과 짧은 메모를 읽으며 배운 점을 정리한다. 이어서 주간 계획표를 펼쳐 된 일과 안 된 일을 본다. 두 기록을 함께 놓고 묻는 질문은 “이번 주에 더 좋게 만들 수 있었던 건 무엇이었냐?”다. 여기서 나온 개선 사항으로 다음 주의 Weekly Compass를 만든다. ![기록과 주간 계획을 함께 보고 회고 질문을 던지는 화면](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/0f98891a-e422-4eb0-8595-0314c9e1b9e7.webp) *기록과 주간 계획을 함께 보고 회고 질문을 던지는 화면. [평균밖성원, 22:50](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1370s)* 계획표만 보면 완료 여부가 남고, 일간 기록만 보면 그날의 생각이 남는다. 둘을 같이 봐야 왜 그런 결과가 나왔는지 연결할 수 있다. 가령 프로젝트 제안 메일은 보냈는데 대화가 이어지지 않았다고 하자. 체크박스는 완료다. 그러나 목표 쪽으로 필요한 정보는 아직 얻지 못했다. 이 사례를 이어서 적용하면, 회고에서는 보낸 제안이 상대가 판단할 만큼 구체적이었는지, 대화할 사람이 적절했는지, 답을 기다리는 동안 진행할 일이 있었는지 살펴볼 수 있다. 다음 주에는 제안의 범위를 줄이거나 다른 담당자에게 연락하거나, 공개 자료로 가능한 작은 시제품을 만들 수 있다. 관찰에 따라 고칠 대상이 달라진다. 이 과정을 남겨 두면 계획을 못 지켰다는 평가에서 멈추지 않고 원래 가정까지 돌아갈 수 있다. 애초에 구할 수 없는 데이터에 의존했다면 일정만 다시 쓰는 것으로 해결되지 않는다. 데이터 접근을 먼저 확인하거나 프로젝트 범위를 바꿔야 한다. 회고의 결과가 다음 주 행동을 바꿀 때, 처음의 실패가 다음 시도의 재료가 된다. ## 기록 중 무엇을 오래 남길까 실행하고 돌아보는 일을 반복하면 기록도 늘어난다. 그런데 지난달에 분명히 배운 내용을 이번 달에 다시 고민한다면? 쌓아 놓은 기록을 결정할 때 꺼내지 못하고 있는 것이다. 제작자도 처음에는 종이 노트로 이 과정을 운영했다고 한다. 노트가 여러 권으로 늘어나자 과거의 생각을 찾는 데 한계가 생겼고, 기록을 컴퓨터에 모아 AI가 찾아 읽도록 하는 세컨드브레인으로 옮겼다. 여기서 다루는 것은 그 안에 어떤 기록을 넣고 어떻게 다듬을지다. 그의 기록은 세 종류다. 레퍼런스에는 그때그때 떠오른 생각을 짧게 던져 둔다. 일간 기록에는 아침에 생각을 길게 풀어 쓰고, 주간 회고에서 배운 점도 적는다. 슬립박스에는 앞의 두 곳에서 앞으로도 다시 쓸 생각을 골라 다듬어 넣는다. 빠르게 남기는 곳과 오래 보존할 내용을 고르는 곳이 나뉘어 있다. 이 구분은 기록할 때의 부담을 줄여 준다. 떠오른 순간에는 생각을 놓치지 않는 것이 우선이다. 나중에 다시 읽을 때 비로소 어떤 생각이 다른 상황에도 쓸 만한지 고른다. 모든 순간 메모를 완성된 글로 쓰려 하면 기록 단계에서도 완벽한 준비를 기다리는 문제가 반복될 수 있다. 슬립박스에 옮길 때 제작자가 적용하는 규칙은 세 가지다. **한 장에 하나의 아이디어를 쓰고, 자기 말로 설명하고, 기존 메모와 연결한 이유를 남긴다.** ![슬립박스의 연결된 생각과 관련 소스 실제 예시](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/d8943725-796e-4e9e-964d-5eecbd63e4c0.webp) *슬립박스의 연결된 생각과 관련 소스 실제 예시. [평균밖성원, 24:55](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1495s)* 한 주의 일을 통째로 한 문서에 적어 두면 나중에 특정 아이디어만 꺼내 다른 생각과 연결하기 어렵다. 한 장에 하나씩 나누면 어떤 주장에 어떤 경험을 붙일지 선택할 수 있다. 연결 메모의 배경인 제텔카스텐에서도 메모 사이의 참조가 중요한 역할을 한다. [니클라스 루만 아카이브](https://niklas-luhmann-archiv.de/nachlass/zettelkasten)는 실제 메모 상자에 남은 연결 구조를 소개한다. 자기 말로 쓰는 규칙에는 제작자의 실패 경험이 붙어 있다. AI가 써 준 메모 15장을 만들었다가 전부 버렸다는 것이다. 나중에 읽어 보니 자기 말이 아니어서 무슨 뜻인지 이해하기 어려웠다고 한다. 보관한 문장이 유려해도 그것을 자신의 판단에 가져다 쓸 수 있어야 의미가 있다. 앞의 프로젝트 예시로 메모 한 장을 만들어 보자. 이것은 영상의 사례를 확장한 작성 예다. > **프로젝트 범위를 정하기 전에 데이터 접근부터 확인한다.** > > 문제를 정의하고 구현 계획까지 세워도 필요한 자료를 받을 수 없으면 진행이 막힌다. 초기에 작은 데이터 샘플을 받아 보거나, 접근 가능한 공개 자료로 범위를 정하면 구현 전에 이 조건을 확인할 수 있다. > > 연결: 마시멜로를 먼저 올려 보는 실험. 둘 다 다른 준비에 시간을 쓰기 전에 계획을 무너뜨릴 조건부터 시험한다. 이 정도면 다음 프로젝트에서 왜 데이터부터 확인하려 했는지 되살릴 수 있다. 단순히 마시멜로 영상 링크만 저장했을 때보다 자신의 일에 적용할 경로가 짧다. 링크에 연결 이유를 한 줄 적는 까닭도 여기에 있다. 서로 다른 두 사례에서 같은 구조를 다시 발견할 수 있다. ## AI가 되찾아 주는 것은 과거의 판단 기준이다 한 주의 기록을 읽고 오래 남길 생각을 골라내는 데도 시간이 든다. 제작자는 여기서 AI를 쓴다. 주간 회고를 마친 뒤 AI가 레퍼런스와 일간 기록을 읽고 슬립박스 후보를 제안한다. 그 후보를 본인이 읽고 남길지 결정하며, 내용이 이상하면 피드백을 주어 수정한다. ![AI가 제안한 슬립박스 후보를 검토하는 작성자의 실제 화면](https://www.readiz.com/assets/authored/8cfbd7fd-d452-4c41-963e-9fab02dd0f01/23e5c61f-9457-45d5-a0fb-0a1b3cf9868a.webp) *AI가 제안한 슬립박스 후보를 검토하는 작성자의 실제 화면. [평균밖성원, 25:30](https://www.youtube.com/watch?v=oR-M3KaAJPQ\&t=1530s)* 앞에서 AI가 쓴 메모를 버렸다는 이야기와도 이어진다. AI에게 맡긴 일은 넓은 기록에서 후보를 찾아오는 일이다. 무엇을 자신의 원칙으로 삼을지, 그 문장이 실제 경험을 제대로 설명하는지는 본인이 읽어야 결정할 수 있다. 후보를 찾는 과정이 빨라져도 자기 말로 이해하는 과정은 남아 있다. 이렇게 남긴 메모가 실제 선택에 쓰인 사례도 소개한다. 제작자는 학교를 계속 다닐지 이전 회사로 돌아가 일할지 고민하던 때, AI에 의견을 물었다고 한다. AI는 그의 기록에서 ‘결정을 내리기 전에 스스로 물어볼 다섯 가지’라는 메모를 찾아 왔다. 영상에서 소개한 내용은 지금 아는 것으로 최선인지, 잘못되면 무엇을 하며 생활할지, 자신이 정말 가려던 방향이 맞는지 같은 질문이다. 새로운 조언을 더 받는 것만큼, 이미 생각해 두었던 기준을 지금의 선택과 나란히 놓는 일이 도움이 될 수 있다. 제작자는 그때 자신의 원칙에 맞는 결정을 내렸다고 회고한다. 다른 날의 아침 브리핑에서는 이번 주의 방향과 어제 한 일, 반복되는 걱정, 그 걱정에 과거 자신이 적었던 답을 함께 보았다고 한다. 이제 영상의 처음과 끝이 연결된다. 처음에는 지금 가진 정보만으로 작은 시도를 한다. 그 결과를 보고 계획을 고친다. 다시 쓸 만한 배움은 자기 말로 남긴다. 다음에 정보가 부족한 선택 앞에 서면 그 메모를 찾아 판단의 재료로 쓴다. 실행이 기록을 만들고, 기록이 다시 실행의 방향을 바꾼다. 오늘 적용한다면 먼저 지금 집중할 목표를 한 줄 적으면 된다. 그 목표에 가까워졌다는 것을 어떤 결과로 확인할지 쓰고, 이번 주에 할 행동 하나로 내려온다. 그리고 결과를 읽고 다음 계획을 고칠 시간을 함께 잡는다. 첫 행동은 작아도 된다. 대신 그 행동 뒤에 무엇을 알게 됐고, 그래서 다음에는 무엇을 바꿀지가 남아야 한다. 계획의 완성도는 시작하기 전의 빈틈없는 문서보다, 새로운 사실을 만났을 때 고쳐 쓸 수 있는 구조에서 나온다. 좋은 결과를 원한다면 고칠 기회부터 확보할 필요가 있다. --- --- id: "authored/e6e0c385-667b-472e-8af5-3214c4d243cb" title: "두 배 ETF의 규칙을 거래하는 사람들" description: "일일 재조정이 만드는 수급과 고빈도 매매의 속도 우위를 살펴보고, 가격 괴리와 유동성 공급, 시장 감시가 어떻게 연결되는지 정리한다." kind: "record" published: "2026-11-11T02:37:09.851Z" updated: "2026-11-11T05:59:54.411Z" tags: ["ETF","레버리지","투자"] url: "https://www.readiz.com/records/daily-leveraged-etf-hft-market-structure/" markdownUrl: "https://www.readiz.com/records/daily-leveraged-etf-hft-market-structure/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 두 배 ETF의 규칙을 거래하는 사람들 급락장에서 주식을 보유한 사람은 가격이 회복되기를 기다린다. 같은 순간 고빈도 매매자는 ETF와 주식, 선물 사이에 벌어진 가격 차이와 곧 나올 주문을 계산한다. 같은 시장에 있지만 수익을 얻는 조건이 다르다. 단일종목 레버리지 ETF는 여기에 매일 두 배를 다시 맞추는 규칙까지 더한다. 그 규칙이 만드는 수급을 먼저 계산하고 거래하는 사람들이 KBS 「시사기획 창」 569회가 추적한 대상이다. [YouTube: 1초 뒤를 아는 자들 : 두배 ETF와 외국인 \[풀영상\] | 창 569회 (KBS 26.11.3.)](https://www.youtube.com/watch?v=ukXf42b3NfA) ## HFT가 찾는 세 가지 기회 고빈도 매매(HFT, High Frequency Trading)는 시장 정보를 프로그램으로 처리하고 매우 짧은 시간에 주문을 내는 거래 방식이다. 영상은 수익 기회를 초단기 가격 예측, 순간적인 가격 차이, 변동성이라는 세 갈래로 설명한다. 초단기 예측은 호가와 체결 흐름에 나타나는 패턴을 이용해 바로 다음 가격 움직임의 확률을 추정하는 것이다. 하루 뒤의 기업 가치보다 다음 주문이 어느 쪽으로 들어오는지가 더 중요한 시간 범위를 다룬다. 작은 예측 우위를 반복해서 활용하려면 판단에서 주문까지 걸리는 시간과 거래비용도 함께 줄여야 한다. 차익거래는 서로 연결된 상품의 가격이 잠깐 어긋날 때 작동한다. ETF가 담고 있는 자산의 가치에 비해 싸게 거래된다면 ETF를 사고 관련 자산을 반대 방향으로 거래하는 식이다. 가격이 다시 가까워지는 동안 두 거래를 원하는 조건에 체결하고 비용을 감당할 수 있어야 이익이 남는다. 변동성은 이런 틈이 더 자주, 더 크게 나타날 기회를 만든다. 동시에 보유 물량의 가격이 불리하게 움직일 위험도 키운다. 그래서 HFT의 호가 공급과 거래 규모는 수익 기회와 위험 관리에 따라 달라진다. 개인이 급락으로 손실을 보는 순간 다른 참여자가 활발히 거래하는 이유를 이해하려면, 각자가 어떤 가격 관계에 투자하고 있는지부터 봐야 한다. ## 하루 수익률의 두 배를 매일 다시 맞춘다 삼성전자와 SK하이닉스 단일종목 레버리지 상품의 목표는 기초주식의 **하루 수익률**이다. 여러 날 보유한 결과는 각 날짜에 적용된 두 배 수익률을 복리로 곱해 얻는다. 금융위원회의 2026년 5월 26일 안내에 따르면 두 종목을 기초로 한 ETF는 정방향과 역방향 2배로, ETN은 정방향 2배로 5월 27일 상장됐다. 한 종목에 집중하면서 그 움직임을 확대하는 구조다. [금융위원회, 출시 당시 상품 구조와 위험 안내](https://www.fsc.go.kr/no010101/86973) 수수료와 추적 오차를 제외하고, 매일 정확히 두 배를 구현하는 정방향 상품을 계산해 보자. 다음 표는 원리를 설명하기 위해 만든 예제다. | 날짜별 움직임 | 기초주식 | 일일 2배 ETF | | ------------------ | ---: | --------: | | 시작 | 100 | 100 | | 첫날 기초주식 +10% | 110 | 120 | | 둘째 날 기초주식 약 -9.09% | 100 | 약 98.18 | 기초주식이 110에서 100으로 돌아오려면 약 9.09% 하락해야 한다. ETF는 둘째 날 약 18.18% 하락하므로 $120 × (1 - 0.181818…) ≈ 98.18$이 된다. 기초주식이 원점으로 돌아온 뒤에도 ETF에는 손실이 남는다. 반대로 이틀 연속 10%씩 상승하면 기초주식은 121, ETF는 144가 된다. 기초주식의 누적 상승률은 21%, ETF는 44%다. 일일 재설정은 상승이 이어질 때와 등락이 반복될 때 서로 다른 결과를 만든다. 상품에 적힌 배율과 함께 보유 기간 동안의 가격 경로를 봐야 하는 이유다. [레버리지 ETF의 일일 재설정과 복리 계산](https://www.readiz.com/llm-wiki/leveraged-inverse-etf-daily-reset-compounding/) ## ETF의 시장가격과 가치가 벌어지는 순간 ETF의 시장가격은 매수와 매도 주문으로 정해진다. 한 좌당 순자산가치(NAV)는 펀드가 보유한 자산과 파생계약의 순가치를 좌수로 나눈 값이다. 주문이 한쪽으로 쏠리면 두 가격 사이에 괴리가 생길 수 있다. 영상의 사과와 쿠폰 예시를 따라가 보자. 사과와 쿠폰이 각각 100원에서 시작하고, 쿠폰은 사과의 하루 수익률을 두 배로 따른다. 사과가 10% 하락해 90원이 되면 쿠폰의 기준가격은 20% 하락한 80원이다. 그런데 공포에 질린 사람들이 쿠폰을 한꺼번에 팔면서 거래가격이 78원까지 내려간다. 기준가격과 시장가격 사이에 2원의 틈이 생긴다. ![적정가격과 78원에 거래되는 쿠폰 사이에 2원의 차이가 표시된 방송 도식](https://www.readiz.com/assets/authored/e6e0c385-667b-472e-8af5-3214c4d243cb/fbd04d8e-1695-41f6-820a-9ad9443b9b64.webp) *기준가격 80원과 거래가격 78원의 차이를 설명하는 가상 예시. [KBS시사, 14:05](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=845s)* 방송은 이 쿠폰을 78원에 산 뒤 80원으로 회복됐을 때 팔아 차익을 얻는 과정을 보여 준다. 실제 거래에서는 가격 수렴에 걸리는 시간과 체결 가능성, 헤지 비용이 수익을 좌우한다. HFT는 ETF와 기초주식, 관련 선물과 옵션의 가격을 빠르게 비교하고 주문을 조절해 이런 기회를 찾는다. 여러 참여자가 싼 쪽을 사고 비싼 쪽을 파는 거래는 서로 어긋난 가격을 가까워지게 하는 힘으로도 작용한다. ## 일일 재조정은 예상할 수 있는 수급을 만든다 두 배를 매일 유지하려면 가격이 움직인 뒤 기초자산에 노출된 금액, 즉 익스포저도 다시 맞춰야 한다. 자금 유출입과 비용이 없는 모형에서 순자산 100인 ETF가 기초자산 200만큼의 가격 변동에 노출돼 있다고 하자. 기초자산이 10% 오르면 기존 익스포저 200은 220이 되고, ETF 순자산은 20의 이익을 얻어 120이 된다. 새 목표는 순자산 120의 두 배인 240이다. 현재 220에서 20만큼 노출을 늘려야 한다. 기초자산이 10% 떨어지면 순자산은 80, 기존 익스포저는 180이 되므로 새 목표 160에 맞춰 20을 줄여야 한다. | 기초자산의 하루 등락 | 순자산 | 가격 변동 뒤 기존 익스포저 | 새 목표 익스포저 | 필요한 조정 | | ----------- | --------: | --------------: | --------: | ------ | | +10% | 100 → 120 | 200 → 220 | 240 | 20 증가 | | -10% | 100 → 80 | 200 → 180 | 160 | 20 감소 | 이 계산이 드러내는 것은 상승일에는 노출을 늘리고 하락일에는 줄이는 방향성이다. 실제 집행은 현물과 선물, 스왑 등의 운용 방식과 자금 유출입에 따라 달라진다. 시장 참여자는 펀드의 규모와 당일 등락률을 바탕으로 장 마감 무렵 어느 방향의 수요가 생길지 추정할 수 있다. ![본주 가격 상승 뒤 장 마감에 ETF 운용사의 매수가 표시된 방송 도식](https://www.readiz.com/assets/authored/e6e0c385-667b-472e-8af5-3214c4d243cb/88654112-0e05-4e58-b629-63d1ecd44d64.webp) *상승일의 장 마감 재조정 매수를 설명하는 방송 도식. [KBS시사, 16:40](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1000s)* 매수가 집중될 것으로 예상하면 앞서 매수한 뒤 그 수요에 팔려는 유인이 생긴다. 하락일의 예상 매도 물량도 같은 방식으로 거래 전략의 입력이 된다. 영상은 급락장에서 이런 재조정 수급과 이를 예상한 거래가 변동성을 더 키울 수 있다는 문제를 제기한다. 기업의 실적을 길게 보는 투자자와 하루 끝에 배율을 맞춰야 하는 운용자, 그 주문을 먼저 예상하는 거래자가 서로 다른 시간표로 움직이는 것이다. ## 주문 지연을 줄이는 데이터센터와 DMA 영상은 외국계 HFT 참여자들이 여의도 데이터센터의 전용 서버를 이용하고 직접주문전송(DMA) 방식으로 주문 경로를 단축하는 구조를 보여 준다. 개인의 휴대전화 주문은 통신망과 증권사 시스템을 거친다. 가까운 곳에 연결된 서버는 시세 처리와 판단, 주문 생성을 프로그램으로 이어서 수행한다. 같은 가격 차이를 여러 업체가 노릴수록 반응 시간의 작은 차이가 체결 기회를 가른다. 방송은 장비업체 협조로 가상의 상황에서 10초 동안 1만 건의 주문을 실행하는 시험도 보여 준다. 시세 입력에서 주문 출력까지의 지연을 설명한 그래프에서 가장 느린 점은 8마이크로초, 즉 100만분의 8초로 표시됐다. 이 수치는 해당 장비의 모의 처리 구간을 측정한 값이다. ![가상 주문 처리 실험 그래프의 가장 느린 지점에 100만분의 8초가 표시된 장면](https://www.readiz.com/assets/authored/e6e0c385-667b-472e-8af5-3214c4d243cb/21649711-d95b-4780-b881-5dcfbd87be88.webp) *가상 주문 처리 시험에서 가장 느린 지점으로 표시된 8마이크로초. [KBS시사, 25:45](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1545s)* 속도 경쟁에는 서버와 회선, 시장 데이터, 개발 인력의 비용이 든다. 가격 차이가 빨리 사라지거나 두 거래 중 한쪽만 체결되면 손실도 생긴다. 수익 기회를 쫓는 거래자가 평소에는 호가를 보태다가 위험이 커질 때 호가를 넓히거나 주문을 줄이는 이유가 여기에 있다. 미국 SEC 직원의 2020년 보고서도 연구들을 종합하면서 통상적인 시장에서 알고리즘 거래가 유동성과 가격 효율에 기여하는 효과, 일부 스트레스 상황에서 불안정을 확대할 가능성을 함께 다룬다. 시장의 상태에 따라 같은 거래 기술의 효과가 달라지는 것이다. [SEC, Staff Report on Algorithmic Trading in U.S. Capital Markets](https://www.sec.gov/about/reports-publications/special-studies/algo_trading_report_2020.pdf) ## 시장조성의 역할과 호가를 유지할 의무 매수와 매도 호가를 내 거래 상대를 제공하면 시장조성의 역할을 한다. 이 역할에 어떤 의무가 붙는지는 제도와 계약에 달려 있다. 금융위원회의 2020년 제도 설명에서 정식 시장조성자는 거래소와 계약을 맺고 정해진 종목에 양방향 호가를 제시하는 구조로 설명된다. 자발적으로 차익거래와 호가 공급에 참여하는 HFT의 활동과는 계약상의 책임이 다르다. [금융위원회, 시장조성자 제도 설명](https://www.fsc.go.kr/no010101/74979) KBS가 한국거래소 자료를 바탕으로 제시한 도표에서 ETF 시장 전체의 HFT 거래대금은 2026년 6월 627조 원, 7월 608조 원, 8월 240조 원이었다. 7월에서 8월로 약 60% 줄었다. 매수와 매도를 합산하고 유동성공급자(LP) 거래대금을 제외한 집계다. ![ETF 시장 전체 고빈도 매매 거래대금이 7월 608조 원에서 8월 240조 원으로 감소한 방송 도표](https://www.readiz.com/assets/authored/e6e0c385-667b-472e-8af5-3214c4d243cb/255db1a6-d92c-4279-a426-fd2816ff9636.webp) *ETF 시장 전체 HFT 거래대금. 매수와 매도 합산, LP 거래대금 제외. 자료: 한국거래소, 방송 도표: [KBS시사, 32:00](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1920s)* 별도 도표의 2배 ETF 시장 전체 거래대금은 2026년 5월 56조 원, 6월 480조 원, 7월 522조 원, 8월 35조 원이다. 같은 매수와 매도 합산 및 LP 제외 기준으로, 이쪽은 해당 상품의 전체 거래를 집계한다. 5월은 27일 상장 이후의 기간이다. ![2배 ETF 시장 전체 거래대금과 고빈도 매매를 구분해 표시한 방송 도표](https://www.readiz.com/assets/authored/e6e0c385-667b-472e-8af5-3214c4d243cb/1be978f2-4435-4452-a6ff-4e92f809b9c3.webp) *2배 ETF 시장 전체 거래대금. 매수와 매도 합산, LP 거래대금 제외. 자료: 한국거래소, 방송 도표: [KBS시사, 19:30](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1170s)* 두 도표는 각각 ETF 전 시장의 HFT 거래와 2배 ETF 전체 거래라는 다른 집계 대상을 보여 준다. 거래대금은 반복해서 사고판 금액을 합한 거래 활동의 규모다. 이 방송 자료에서는 투자 문턱이 높아진 뒤 상품 거래와 HFT 거래가 함께 축소된 모습을 읽을 수 있다. 자발적인 호가 공급은 거래 기회가 있을 때 커지고 수익 조건이 달라지면 줄어든다. 시장의 거래 기능을 설계할 때는 이익을 좇는 참여자의 기여와 계약으로 유지할 호가 공급을 각각 파악해야 한다. 특히 거래가 급격히 줄어드는 구간에는 스프레드와 괴리율, 주문장 깊이가 어떻게 달라지는지를 함께 봐야 투자자가 겪는 체결 여건을 평가할 수 있다. ## 반복 주문의 목적을 어떻게 입증할 것인가 영상은 예상되는 재조정 수요보다 먼저 포지션을 잡는 거래와, 허수 주문이나 의도적인 가격 움직임으로 수급을 유도했다는 의혹을 함께 다룬다. 후자의 판단에는 계좌별 주문과 취소, 체결, 보유 포지션의 변화와 가격 영향을 연결한 자료가 필요하다. 방송에 나온 한국거래소 관계자는 당시 기존 감시 기준에서는 특별한 혐의를 찾지 못했고, 주식과 선물, 옵션을 묶은 분석을 진행 중이라고 설명했다. 이 설명은 방송 당시의 조사 상황이다. [KBS시사, 복합거래 감시 설명](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=2340s) 법적 기준과 입증의 문제는 과거 사례에서도 등장한다. 다큐는 2011년 ELW 초단타 거래자에게 빠른 주문 경로를 제공한 증권사 대표들이 기소된 사건과, 이후 무죄 판단을 소개한다. 고객별 속도 차이와 주문 접수 순서를 어떻게 규율할지 당시 기준이 쟁점이었다. [KBS시사, ELW 전용선 논란](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=2064s) 별개의 사례로 금융위원회는 2023년 해외 소재 A 증권사의 국내 주식 고빈도 알고리즘 매매에 118억 8천만 원의 과징금을 의결했다. 다큐는 이 과징금이 뒤에 1심에서 취소된 경과를 이어서 다룬다. 당국이 문제 삼은 주문 방식과 법원이 위반을 인정하는 데 필요한 법적 요건과 증거 사이에 간극이 있었다는 설명이다. [금융위원회, 2023년 과징금 의결](https://www.fsc.go.kr/no010101/79339), [KBS시사, 후속 재판 보도](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=2212s) 같은 금융위 발표는 2023년 고빈도 거래자 등록과 식별코드, 증권사의 주문 시스템 사전 점검, 별도의 시장감시 기준을 도입하는 일정도 설명했다. 등록과 주문 사고 방지에 더해, 여러 시장을 엮은 거래의 목적과 가격 영향을 입증할 수 있는 감시 기준이 갖춰져야 한다는 것이 이번 방송에서 이어지는 쟁점이다. 개인의 상품 접근 조건도 바뀌었다. 2026년 7월 31일부터 개인 일반투자자의 국내외 단일종목 레버리지 상품 신규 투자와 추가 매수에는 현금 3천만 원의 기본예탁금 조건이 적용됐다. 8월 19일에는 사전교육 강화와 모의거래 의무가 더해졌다. 이 조치는 상품의 위험을 이해하고 손실을 감당할 수 있는 투자자만 접근하게 하는 장치다. 거래소와 감독당국에는 주문 경로의 공정성과 관련 상품 간 거래를 감시하는 별도의 과제가 남는다. [금융위원회, 기본예탁금 강화](https://www.fsc.go.kr/no010101/87403), [금융위원회, 교육과 모의거래](https://www.fsc.go.kr/po010104/87512) 레버리지 ETF는 매일의 목표 배율로 반복되는 수급을 만들고, HFT는 그 수급과 가격 차이를 빠르게 거래한다. 이 둘을 함께 이해해야 개인이 감수하는 가격 위험과 시장의 체결 구조가 보인다. 공정한 시장을 만들려면 상품의 위험 설명, 계약에 따른 호가 공급, 여러 상품에 걸친 주문의 추적과 위반 입증이 이어져야 한다. 새로운 상품을 허용하는 정책에는 그 상품이 만드는 거래 구조를 감독할 책임도 함께 붙는다. --- --- id: "authored/0c6287b4-7352-457e-ba6c-2a46ddde1532" title: "실행과 회고로 계획을 갱신하는 방법" description: "작은 실험과 OKR, 주간 계획과 회고를 연결해 현재 정보에 맞는 계획을 만드는 방법을 설명합니다." kind: "llm-wiki" published: "2026-11-11T00:56:54.226Z" tags: ["계획","OKR","생산성"] url: "https://www.readiz.com/llm-wiki/action-feedback-planning-okrs-weekly-review/" markdownUrl: "https://www.readiz.com/llm-wiki/action-feedback-planning-okrs-weekly-review/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "일과 학습/목표 관리" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EC%9D%BC%EA%B3%BC+%ED%95%99%EC%8A%B5%2F%EB%AA%A9%ED%91%9C+%EA%B4%80%EB%A6%AC" --- # 실행과 회고로 계획을 갱신하는 방법 계획은 현재 정보로 다음 행동을 고르고 결과에 맞춰 갱신하는 방법이다. 제품을 만들거나 개인 목표를 세울 때 같은 순환을 적용할 수 있다. 먼저 가장 중요한 불확실성을 작은 실험으로 확인하고, 장기 목표를 관찰 가능한 결과로 나눈 다음, 주간 실행과 회고를 연결한다. ## 작게 시험해 배운다 톰 우젝의 마시멜로 챌린지는 제한된 재료로 탑을 만들고 꼭대기에 마시멜로를 올리는 워크숍이다. [우젝의 TED 강연](https://www.ted.com/talks/tom_wujec_build_a_tower_build_a_team)과 [Stanford d.school의 활동 안내](https://dschool.stanford.edu/tools/spaghetti-marshmallow-challenge)는 참가자들이 구조를 만들고 시험하는 과정을 소개한다. 이 활동에서 얻을 수 있는 교훈은 중요한 조건을 일찍 넣어 시험하면 약한 부분을 발견하고 다시 설계할 시간을 얻는다는 것이다. 강연에서 비교한 집단과 높이의 결과는 워크숍 진행자의 관찰로 귀속해 읽는다. 제품 개발에서 작은 실험은 고객에 관한 가정을 확인하기 위해 쓸 수 있다. [에릭 리스의 최소기능제품 설명](https://leanstartup.co/resources/articles/what-is-an-mvp/)에서 MVP는 최소한의 노력으로 검증된 학습을 얻기 위한 제품 버전이다. MVP의 범위는 확인하려는 가설에 맞춰 정한다. [Build–Measure–Learn 방법](https://leanstartup.co/resources/articles/lean-startup-method/)은 제품과 실험을 만들고, 반응을 측정해, 얻은 학습을 다음 결정에 반영하는 순환을 설명한다. ## 기업 사례와 불확실한 선택의 자료 [인스타그램 공동창업자 케빈 시스트롬의 인터뷰](https://www.startups.com/founder-interviews/kevin-systrom)는 Burbn에서 사진 중심 서비스로 방향을 좁힌 과정을 설명한다. [Rovio 공식 연혁](https://www.rovio.com/rovio-history/)에는 Angry Birds가 52번째 게임이었고 출시 전 회사가 파산 위기에 가까웠다는 기록이 있다. [Airbnb 회사 소개](https://news.airbnb.com/what-makes-airbnb-airbnb/)는 2007년 집에서 손님 세 명을 맞은 출발을 담았다. 이 자료들은 작은 제품과 서비스를 실제 이용자에게 내놓으며 사업을 발전시킨 사례를 살필 때 쓸 수 있다. 애니 듀크의 《Thinking in Bets》는 운과 숨겨진 정보가 섞인 결정을 포커에 비유한다. 저자가 보관한 [포커와 판단에 관한 기사](https://www.annieduke.com/article-could-poker-make-you-a-better-investor/)는 결과의 좋고 나쁨과 결정 당시의 정보, 판단 과정을 나누어 살펴보는 관점을 설명한다. 실행 후 회고에서는 당시 어떤 가정으로 선택했고 새로 무엇을 알게 됐는지 함께 기록한다. ## 목표에서 측정 가능한 결과로 간다 OKR은 Objective와 Key Results를 연결한다. Objective는 이루려는 방향이고, Key Results는 방향의 진전을 관찰할 결과다. [Google re:Work의 OKR 안내](https://rework.withgoogle.com/intl/en/guides/set-goals-with-okrs)는 결과를 측정할 수 있게 정하고, 활동 목록과 성과 결과를 구분한다. “고객과 다섯 번 만나기”는 활동이며, 그 만남을 통해 어떤 고객 문제를 확인했는지와 어떤 변화가 생겼는지가 결과에 해당한다. 목표가 시청시간이라면 조회수가 아니라 시청시간을 기준으로 성과를 읽을 수 있다. 유튜브는 2012년 추천에 시청시간 신호를 더했을 당시 조회수가 20% 하락하고 시청시간은 증가했다고 추천 시스템 책임자가 2021년에 회고했다. 회사는 2016년 하루 시청시간 10억 시간에 도달했다고 2017년에 발표했다. [추천 시스템 책임자의 회고](https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/), [2012년 변경 안내](https://blog.youtube/news-and-events/note-about-recent-changes/), [10억 시간 발표](https://blog.youtube/news-and-events/you-know-whats-cool-billion-hours/)는 회사가 공개한 각 시점의 설명이다. 이 사례에서 시청시간은 클릭보다 이용 시간이 목표일 때 직접 맞는 지표다. 제품의 다른 목표는 각자에 맞는 결과로 살펴볼 수 있다. ## 결과 목록의 중복과 논리 확인 결과를 정한 뒤에는 목록이 겹치거나 빠뜨린 영역이 있는지 살펴본다. MECE는 항목이 서로 배타적이며 전체 범위를 빠짐없이 포괄하도록 분류하는 원리다. 자동차 비용을 구매, 운행, 수리, 처분 때의 가치 하락으로 나누면 비용의 종류와 아직 조사하지 않은 칸을 구분하기 쉽다. 분류를 쓰면 조사할 범위가 넓어지고 누락 후보를 찾을 수 있다. So What은 “이 결과들을 이루면 원래 목표에 어떤 변화가 생기는가?”를 묻고, Why So는 “무슨 근거로 그렇게 말할 수 있는가?”를 묻는다. 매출 감소를 신규 고객 감소로 설명한다면, 기존 고객의 재구매와 신규 유입을 나누어 확인할 수 있다. 결론이 결과 목록에서 나오지 않거나 근거가 다른 설명을 지지한다면 목표, 결과 또는 가정을 고친다. ## 주간 계획과 회고를 연결한다 몇 달짜리 결과는 이번 주의 행동으로 옮겨야 실행할 수 있다. 결과에 다가가기 위해 이번 주에 할 일, 확인할 응답이나 산출물을 정하고, 주말에는 계획과 실제 결과를 비교한다. 잘 진행된 일은 다음 단계로 이어 가고 막힌 일은 원인을 기록한다. 사람의 응답이 없었거나 데이터 접근이 어려웠다면 다음 주에는 연락할 대상이나 탐색 범위를 바꾼다. 주간 회고에는 무엇을 배웠는지, 어떤 조건이 예상과 달랐는지, 다음 주에 어떤 행동을 바꿀지 적는다. 이 흐름은 [영상에서 소개된 주간 계획과 회고](https://www.youtube.com/watch?v=oR-M3KaAJPQ)의 개인 실천 사례다. 회고 주기와 형식은 업무와 생활에 맞게 정할 수 있다. ## 적용할 때 구분할 것 목표 달성에 기여하는 결과와 그 결과를 만들기 위한 활동을 나눈다. 사람을 만나거나 프로젝트를 진행하는 일은 학습과 성과를 만드는 경로로 계획하고, 채용이나 매출처럼 자신이 통제할 수 없는 성과는 별도 지표로 관찰한다. 회고에서 얻은 배움을 장기 기록으로 남기는 방법은 [슬립박스와 연결 메모](https://www.readiz.com/llm-wiki/slip-box-linked-notes-zettelkasten-knowledge-reuse/)에서 이어서 다룬다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/9e153aed-cc7e-4fef-87e5-56cede87edf9" title: "슬립박스와 연결 메모로 지식을 다시 쓰는 방법" description: "포착한 생각을 한 아이디어씩 연결해 보존하고, AI 후보 검색과 사람의 검토를 거쳐 결정에 활용하는 기록 흐름을 정리합니다." kind: "llm-wiki" published: "2026-11-11T00:54:57.963Z" tags: ["지식 관리","메모","제텔카스텐"] url: "https://www.readiz.com/llm-wiki/slip-box-linked-notes-zettelkasten-knowledge-reuse/" markdownUrl: "https://www.readiz.com/llm-wiki/slip-box-linked-notes-zettelkasten-knowledge-reuse/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "일과 학습/지식 관리" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EC%9D%BC%EA%B3%BC+%ED%95%99%EC%8A%B5%2F%EC%A7%80%EC%8B%9D+%EA%B4%80%EB%A6%AC" --- # 슬립박스와 연결 메모로 지식을 다시 쓰는 방법 슬립박스는 짧은 메모를 서로 연결해 장기적으로 다시 쓸 수 있는 지식을 쌓는 방식이다. 빠른 포착, 일간 기록, 주기적인 선택과 정리를 나누면 원자료를 오래 보관하는 일과 지식으로 다듬는 일을 구별할 수 있다. 메모 시스템이나 AI 검색을 설계할 때는 연결을 만드는 과정과 무엇을 보존할지 결정하는 사람의 역할을 함께 정한다. ## 포착한 메모와 오래 남길 메모 영상의 제작자는 자신의 기록을 레퍼런스, 일간 기록, 슬립박스의 세 종류로 관리한다. 레퍼런스에는 떠오른 생각이나 자료의 단서를 짧게 담고, 일간 기록에는 아침 생각과 하루의 경험, 주간 회고에서 얻은 배움을 적는다. 이 두 곳은 생각의 원재료를 모은다. 슬립박스에는 앞으로 다시 쓸 가치가 있는 아이디어를 골라 정리한다. 이 명칭과 세 단계 구분은 영상 화자의 개인 시스템이다. 니클라스 루만은 종이 메모 상자에서 메모를 번호와 참조로 연결해 생각을 발전시켰다. [니클라스 루만 아카이브의 제텔카스텐 소개](https://niklas-luhmann-archiv.de/nachlass/zettelkasten)는 상자 안의 메모가 참조를 통해 서로 이어지는 방식을 보여준다. 중요한 점은 파일을 많이 모으는 것보다 생각 사이에 어떤 관계가 있는지를 표현해 나중에 다시 찾을 경로를 만드는 데 있다. ## 한 메모의 단위를 작게 정한다 한 장에 하나의 생각을 적으면 개별 아이디어를 다른 논의와 연결하거나 다시 조합하기 쉽다. 메모를 원문에서 복사하기보다 이해한 내용을 자신의 말로 다시 쓰면 무엇을 주장하는지와 어디까지 이해했는지가 드러난다. 이 두 원칙은 영상 제작자가 자기 슬립박스에 적용한 방법이다. 새 메모는 기존 메모와 연결하고, 연결 이유를 짧게 적는다. 예를 들어 “이 원칙은 지난 프로젝트의 실패 조건과 같다”처럼 관계를 말하면 링크가 모아 둔 자료를 넘어 생각의 경로가 된다. [루만 아카이브](https://niklas-luhmann-archiv.de/nachlass/zettelkasten)는 그의 상자에 기록 간 참조가 있었음을 설명한다. 디지털 메모 앱을 쓸 때도 링크 목적을 쓰고 검색어와 실제 내용을 함께 남기면 이후에 맥락을 회복하기 쉽다. ## AI의 검색과 사람의 승인 기록이 많아지면 주간 검토에서 오래 남길 후보를 찾는 데 시간이 든다. 영상의 제작자는 AI에게 일정 기간의 레퍼런스와 일간 기록을 읽게 하고 슬립박스 후보를 제안하도록 한다. 그 뒤 후보를 직접 읽고 자신이 보존할 생각인지 판단해 수정하거나 승격한다. AI는 찾기와 후보 선별을 돕고 최종 지식은 사람이 선택한다. 이 절차는 영상 화자가 자신의 기록에 적용하는 방식이다. AI를 연결할 때는 원본 메모와 AI가 만든 요약, 사람이 승인해 보존한 지식을 구분한다. 원본 경로와 인용 문맥을 따라갈 수 있게 하고, 후보를 검토해 승인한 뒤 보존한다. 자동 검색은 관련 기록을 찾아 주고 사람은 원문의 맥락과 지식으로 남길 가치를 판단한다. ## 결정 순간에 다시 꺼내기 메모를 보존하는 이유는 결정에 다시 적용하기 위해서다. 제작자는 학교와 일을 두고 고민할 때 과거에 적어 둔 질문을 AI가 찾아 줬다고 소개한다. 그 질문에는 현재 아는 정보로 최선인지, 선택이 실패하면 어떻게 생활할지, 원래 목표가 맞는지 돌아보는 항목이 있었다. 이 사례는 자신의 과거 기준을 결정 시점에 다시 읽는 활용 예다. 결정 질문과 적용한 답을 함께 기록하면 결과가 나온 뒤 판단 과정을 돌아볼 수 있다. 선택한 내용과 당시 중요하게 본 기준, 아직 모르는 조건을 남기고, 다음 결정에서는 과거 기록을 비교 기준과 추가 질문을 찾는 자료로 활용한다. ## 재사용 가능한 관리 흐름 1. 떠오른 생각은 빠르게 기록한다. 2. 주기적인 검토 때 그 기간에 배운 점과 다시 쓸 가치를 선별한다. 3. 보존할 아이디어는 자기 말로 한 메모에 하나씩 정리한다. 4. 관련 메모와 연결하고 연결 이유를 남긴다. 5. AI를 쓰면 관련 후보를 찾는 역할을 맡기고, 사람이 원문과 맥락을 확인한 뒤 보존 여부를 결정한다. 6. 실제 결정에서 메모를 다시 꺼내 기준으로 활용하고, 새로운 결과를 후속 기록에 더한다. 이 흐름은 기록을 쌓는 일, 지식을 선택하는 일, 실제 결정에 쓰는 일을 연결한다. 앱 기능이 바뀌어도 메모의 단위와 연결 의미, 사람의 검토 단계가 남으면 다른 도구로 옮기기 쉽다. ## 자료 - [Niklas Luhmann Archive, Zettelkasten](https://niklas-luhmann-archiv.de/nachlass/zettelkasten) - [평균밖성원, 계획 세우는 법과 세컨드브레인 영상](https://www.youtube.com/watch?v=oR-M3KaAJPQ) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/07714f7e-f9ee-4db1-995c-2cd674b0ad11" title: "고빈도 매매와 ETF 시장 유동성: 자료와 해석 기준" description: "초단기 예측과 차익거래, DMA와 시장조성 의무를 살펴보고 ETF 거래대금과 감시 자료의 범위를 정리한다." kind: "llm-wiki" published: "2026-11-09T22:51:50.866Z" tags: ["고빈도 매매","알고리즘 거래","ETF","시장 유동성"] url: "https://www.readiz.com/llm-wiki/hft-etf-market-liquidity-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/hft-etf-market-liquidity-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 고빈도 매매와 ETF 시장 유동성: 자료와 해석 기준 고빈도 매매(HFT)는 주문장과 체결 정보, 관련 상품의 가격 변화를 짧은 시간 단위로 분석하고 주문을 반복하는 알고리즘 거래다. 주식과 ETF 가격 흐름의 초단기 예측, 연결된 상품 간 가격 차이에 대응하는 차익거래, 변동성에 대응하는 전략을 구분해 읽는다. ## 세 전략과 시장에서 하는 일 - **초단기 예측:** 주문장과 거래 흐름의 신호로 매우 짧은 구간의 가격 움직임을 확률적으로 예상한다. 실제 성과에는 예측 정확도와 주문 체결, 비용과 손실 제한이 함께 영향을 준다. - **차익거래:** 같은 기초자산에 연결된 주식과 ETF, 선물과 옵션 간의 어긋난 가격을 비교하고 양쪽 포지션을 거래한다. 매수와 매도 주문은 가격 차이를 줄이거나 거래 상대를 제공할 수 있다. 체결 시점이 어긋나거나 가격이 예상대로 수렴하지 않으면 재고 위험이 남는다. - **변동성 대응:** 가격 변동이 커질 때 주문 빈도, 호가와 포지션을 조절해 짧은 흐름에서 기회를 찾는다. 같은 조건은 시장 스트레스 때 호가를 줄이거나 철수할 유인도 높일 수 있다. 세 전략은 짧은 주문 경로, 낮은 통신 지연, 데이터와 계산 인프라를 두고 경쟁한다. 데이터센터 내 서버나 직접주문전송(DMA)은 주문을 증권사와 거래소까지 보내는 경로를 줄일 수 있다. 방송의 10초 모의 상황과 1만 건 주문, 8마이크로초 장면은 특정 국내 장비 업체의 가상 주문 처리 실험이다. 시세 입력에서 주문 출력까지의 처리 구간을 설명한다. [KBS시사기획 창 569회, DMA 설명 22:44](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1364s), [모의 주문 실험 25:45](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1545s) ## 유동성 공급과 계약상 의무 양방향 호가와 체결 기회를 제공하는 시장조성은 시장 유동성을 높일 수 있다. 정식 시장조성자는 거래소와 증권사가 시장조성계약을 맺고 지정 종목에 사전에 정한 매도와 매수 호가를 내는 제도에 속한다. 정해진 계약 의무와 자발적으로 호가를 공급하는 경제적 행동은 적용 범위가 다르다. [금융위원회, 시장조성자 제도 용어 설명](https://www.fsc.go.kr/no010101/74979) ETF 유동성공급자(LP)는 별도의 역할과 괴리율 관리 의무를 갖는다. 금융위원회의 2026년 8월 12일 발표는 8월 19일부터 시행할 ETF와 ETN의 종가 기준 괴리율 관리 강화와, 고의나 중과실 또는 상습적인 의무 위반 LP의 신규 유동성 공급업무를 제한하는 시행세칙 개정 계획을 설명한다. 정식 주식시장 시장조성계약, ETF의 LP, 자발적으로 거래 기회를 좇는 일반 HFT의 경제적 행동을 같은 범주로 두지 않는다. [금융위원회, ETF와 ETN 괴리율 관리 강화](https://fsc.go.kr/po010104/87512) 미국 증권거래위원회 직원의 2020년 의회 보고서는 기존 연구에서 정상 시기의 알고리즘 거래가 유동성과 가격 발견에 기여할 수 있다는 결과를 정리한다. 비정상 시장의 불안정 가능성도 논의한다. 미국 시장 연구의 종합으로, 유동성 효과가 시장 상태에 따라 달라지는 원리를 검토할 때 활용한다. [SEC 직원 보고서, Staff Report on Algorithmic Trading in U.S. Capital Markets](https://www.sec.gov/about/reports-publications/special-studies/algo_trading_report_2020.pdf) ## 거래대금의 집계 범위 KBS가 한국거래소 자료를 바탕으로 화면에 제시한 ‘ETF 시장 고빈도 매매 거래대금’은 매수와 매도 합계이고 LP 거래대금은 제외한다. 19분 10초 도표는 2026년 1월부터 7월, 32분 도표는 5월부터 8월을 보여 준다. 같은 방송의 ‘2배 ETF 거래대금’ 도표는 2배 ETF 시장 전체의 합계로 고빈도 거래만을 분리한 수치가 아니다. 두 그림은 분모가 다르므로 서로 나눠 단일종목 2배 ETF에서 HFT가 차지하는 몫을 계산할 수 없다. 매수와 매도 합계는 순매수, 자금 유출, 참가자의 이익 또는 개인 손실과 같지 않다. [KBS시사기획 창 569회, ETF 거래대금 도표 19:10](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1150s), [2배 ETF 도표 19:30](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1170s) 방송에서 ETF 시장 전체 고빈도 거래대금은 2026년 7월 608조 원, 8월 240조 원으로 제시됐다. 같은 도표의 7월 대비 감소율은 약 60%다. 7월과 8월 제도 변경을 다룰 때 함께 참고할 수 있는 방송 집계다. 제도 효과를 평가할 때는 거래대금 외에 괴리율과 스프레드, 주문장 깊이 등 실제 체결 여건을 보여 주는 자료도 필요하다. [KBS시사기획 창 569회, ETF 시장 HFT 거래대금 32:00](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1920s) ![ETF 시장 HFT 거래대금과 LP 제외 주석을 담은 방송 도표](https://www.readiz.com/assets/authored/07714f7e-f9ee-4db1-995c-2cd674b0ad11/04748501-5588-4646-808c-1a469e297644.webp) *2026년 ETF 시장 HFT 거래대금. 매수와 매도 합산, LP 거래대금 제외. 자료: 한국거래소, 방송 도표: [KBS시사, 32:00](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1920s)* ## 시세조종 감시와 판단 예상 가능한 재조정 주문에 먼저 반응하는 거래와 가격을 인위적으로 움직인 뒤 반대편에서 이익을 얻으려는 행위는 거래 목적과 가격 영향력의 판단이 다르다. 방송의 인터뷰는 시세조종 의혹이 제기된 주문의 시점과 계좌, 체결을 추적해야 한다고 설명한다. 당시 거래소 관계자는 기존 감시 기준에서 특별한 혐의를 찾지 못했으며 주식과 선물, 옵션을 묶은 분석을 이어가고 있다고 말했다. 조사 상황은 2026년 11월 3일 방송에 나온 답변 기준이다. [KBS시사기획 창 569회, 시세조종 의혹 28:48](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1728s), [거래소 인터뷰 39:20](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=2360s) 금융위원회의 2023년 1월 27일 발표는 해외 증권사의 국내 주식 고빈도 알고리즘 매매 제재와 함께 등록과 위험관리 제도를 설명한다. 고빈도 거래자 사전 등록과 식별 ID, 증권사의 주문 시스템 사전 점검, 전용 시장감시 기준을 담았으며, 등록 의무화 일정은 2023년 4월 25일로 제시했다. 이 자료는 등록을 통한 거래 추적, 주문 사고 방지와 불공정거래 판단이 각각 맡는 역할을 구분해 볼 때 유용하다. [금융위원회, 고빈도 알고리즘 거래자 등록과 주문 위험관리](https://www.fsc.go.kr/no010101/79339) 단일종목 레버리지 상품의 일일 재설정과 복리 계산은 [레버리지와 인버스 ETF: 일일 재설정과 경로 의존 수익률](https://www.readiz.com/llm-wiki/leveraged-inverse-etf-daily-reset-compounding/)을 함께 참고한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3" title: "공포에 샀는데, 반등 뒤에도 손실이 나는 이유" description: "공포가 짧게 끝나도 손실로 남는 이유를 과거 사례에서 물가와 금리의 경로로 살펴봅니다." kind: "record" published: "2026-11-09T20:28:46.597Z" tags: ["투자","금리","물가"] url: "https://www.readiz.com/records/fear-greed-inflation-rate-regimes/" markdownUrl: "https://www.readiz.com/records/fear-greed-inflation-rate-regimes/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 공포에 샀는데, 반등 뒤에도 손실이 나는 이유 공포탐욕지수가 낮을 때 사면 이길 가능성이 높다는 말은 직관적이다. 하지만 공포가 시작된 뒤 주가가 빨리 반등하는 경우와 1년 뒤에도 수익인 경우는 다른 이야기다. 「이번 하락은 어디에 가까울까 | 공포탐욕지수 39번으로 본 금리와 물가」는 같은 공포 속에서도 결과가 달랐던 사례를 금리와 물가 국면으로 나눠 살펴본다. 핵심은 공포의 크기보다 인플레이션과 정책금리가 어디로 향하고 있었는가에 있다. [YouTube: 이번 하락은 어디에 가까울까 | 공포탐욕지수 39번으로 본 금리와 물가](https://www.youtube.com/watch?v=QG40SUfIML8) ## 39번의 공포에서 본 것 공포탐욕지수는 0에서 100 사이의 값으로, 낮을수록 시장 분위기가 공포 쪽에 가깝다는 식으로 읽는다. 영상은 CNN 지수가 25 미만이었던 날을 2011년 1월 3일부터 2026년 9월 23일까지 세어 39회의 공포 구간으로 묶었다. 화면에서 제시한 것은 날짜별 값의 단순 목록이 아니라, 공포가 나타난 사건과 그 뒤 주가가 움직인 과정이다. ![2011년부터 2026년 9월까지 공포탐욕지수가 25 미만인 구간을 표시한 그래프](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/3eb88ffc-b586-44f3-bd9f-0e096533740a.webp) *영상에서 표시한 25 미만 구간. [차트 너머, 1:12](https://www.youtube.com/watch?v=QG40SUfIML8\&t=72s)* 39회 가운데 제작자가 찾은 바닥은 21회가 공포 시작 뒤 일주일 안에, 31회가 한 달 안에, 36회가 한 달 반 안에 나왔다. 여기서 ‘바닥’은 해당 사건 뒤 낮아진 최저점을 찾아 센 결과지만, 검색을 멈춘 시점과 사건을 하나로 묶은 정확한 규칙은 설명되지 않았다. 같은 공포 구간이 이어지는 날을 여러 독립 사건으로 볼 수 있는지도 공개 표만으로는 확인할 수 없다. ![제작자가 집계한 공포 시작 뒤 바닥까지 걸린 기간](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/333f668c-9b54-4ade-bac9-4bab3513ca1b.webp) *공포 시작 뒤 바닥까지의 기간별 제작자 집계. [차트 너머, 1:30](https://www.youtube.com/watch?v=QG40SUfIML8\&t=90s)* 영상은 공포가 시작된 날 샀을 때 1년 뒤 수익률이 양수인 경우를 76%로, 임의의 날에 산 경우를 86%로 비교한다. 그러나 두 비율의 정확한 분모와 비교군을 뽑은 방식은 표시되지 않았다. 공개된 다섯 국면 표의 분모를 합하면 37건이고 양수 사례는 28건이다. 28을 37로 나누면 약 75.7%라 76%에 가깝지만, 이것이 영상의 전체 76%를 계산한 표와 같은 집계인지 확인할 자료는 없다. 두 수치는 평균 수익률이나 같은 위험을 감수했을 때의 성과를 뜻하지도 않는다. ![공포 시작일과 임의의 매수일을 비교한 1년 뒤 양수 비율](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/c728353f-2a6e-448b-9ff1-e64c26c24a60.webp) *영상이 비교한 공포 시작일과 임의 날짜의 1년 뒤 양수 비율. [차트 너머, 1:50](https://www.youtube.com/watch?v=QG40SUfIML8\&t=110s)* 여기서 공포에 사는 규칙의 수익 우위는 확인되지 않는다. 영상의 비교에서 1년 뒤 양수였던 비율은 오히려 임의 매수일 쪽이 높았다. 수익률의 크기와 변동성, 매수 뒤 낙폭과 회복까지 함께 비교한 자료가 없으므로 이 비율만으로 어느 쪽의 투자 성과가 더 좋았다고 결론 내리기는 어렵다. ## 반등은 같아 보여도 1년 뒤는 달랐다 영상이 뽑은 두 사례는 단기 반등만으로 결과를 판단하기 어려운 이유를 잘 보여준다. 2021년 11월 30일 공포 구간에서는 S\&P 500이 약 열흘 만에 당시 주가를 되찾았고 2022년 1월에는 최고점도 기록했다. 그런데 영상의 종가 기준 집계에서 시작일로부터 1년 뒤 수익률은 -10.7%였다. 눈앞의 반등은 빨랐지만 뒤이어 나타난 하락 추세를 막지 못했다. 2023년 9월 26일 사례는 다른 경로를 보였다. S\&P 500은 10월 27일 저점을 찍은 뒤 반등했고, 영상의 집계에서 공포 시작일로부터 1년 뒤 수익률은 +34.4%였다. 두 수치는 제작자의 S\&P 500 종가 집계다. 지수의 배당 포함 여부, 수수료와 매수 집행 조건은 설명란에서 확인되지 않으므로 종가 기준 사례로 읽는다. ![2021년과 2023년의 월평균 실효금리와 1년 뒤 종가 수익률 비교](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/1131b344-5b59-4bf4-994f-e031e0eda499.webp) *두 시기의 공포 시작일, 영상의 1년 수익률과 월평균 실효금리. [차트 너머, 3:21](https://www.youtube.com/watch?v=QG40SUfIML8\&t=201s)* 이 화면의 금리는 FRED의 월평균 실효 연방기금금리다. 연준이 발표하는 정책금리 목표 범위와 값의 뜻이 다르므로, 두 시기를 비교할 때 금리 종류를 먼저 확인해야 한다. ‘지금 금리가 몇 퍼센트인가’만큼 중요한 질문은 그 금리가 더 오를 여지가 컸는지, 물가가 정책을 계속 조이는 쪽으로 움직였는지다. 영상은 2013년 6월의 테이퍼링 우려와 2022년 1월의 긴축 우려를 나란히 든다. 둘 다 중앙은행이 완화 기조를 거둘 수 있다는 걱정에서 시작했지만, 2013년에는 물가 압력이 낮아 긴축을 서둘러야 할 이유가 크지 않았고, 2022년에는 물가 상승이 이어져 실제 금리 인상이 뒤따랐다. 같은 종류의 공포로 불려도 이후 정책 경로는 달라질 수 있다. [차트 너머, 4:02](https://www.youtube.com/watch?v=QG40SUfIML8\&t=242s) ## 금리와 물가의 다섯 국면 영상은 공포 구간을 금리와 물가 흐름에 따라 다섯 갈래로 분류했다. 아래 비율은 영상이 공개한 표의 각 분모를 그대로 옮겼다. 표본이 작고 사례의 구분 규칙이 공개되지 않았기 때문에 확률 법칙으로 일반화하기보다 결과가 갈린 사례를 설명하는 용도로 읽는다. | 영상의 국면 | 1년 뒤 양수 표본 | 영상이 든 회복 사례 | | -------------------------- | ---------: | -------------------------------------------------------------------------- | | 금리가 거의 0%이고 물가가 낮았던 때 | 13/16 | 보통 한 달 안팎. 2013년 연방정부 셧다운 사례는 9일 만에 회복했고, 2015년 중국 증시와 유가 충격 때는 1년 넘게 걸렸다. | | 금리를 올리는 중이고 물가가 비교적 안정됐던 때 | 4/4 | 보통 3–4개월. 2018년 12월 24일 하락 뒤 연준의 긴축 속도 조절 발언이 나온 뒤 주가가 반등했다. | | 금리 인상이 끝나가고 물가가 내려오던 때 | 5/5 | 보통 두 달. 영상은 2023년 은행 파산 때 높은 금리가 이미 상당 부분 반영됐다는 해석을 붙였다. | | 금리를 내리는 중이던 때 | 3/3 | 보통 2–3개월. 초기 충격은 컸으며 영상은 2020년 팬데믹 때 33.9%, 2025년 관세 충격 때 18.9% 하락을 제시한다. | | 물가가 높고 계속 오르던 때 | 3/9 | 보통 넉 달. 열 건 중 다섯 건은 원래 가격까지 돌아오는 데 반년 넘게 걸렸다. | ![영상이 집계한 다섯 국면의 1년 뒤 양수 표본](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/23110532-05bb-47cb-beab-29f20eaafe49.webp) *국면별 양수 사례의 분자와 분모. [차트 너머, 7:57](https://www.youtube.com/watch?v=QG40SUfIML8\&t=477s)* ![영상에서 분류한 금리와 물가의 다섯 국면](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/567eb839-6554-487f-b51e-bc56b045308d.webp) *금리와 물가 흐름으로 나눈 다섯 국면. [차트 너머, 4:55](https://www.youtube.com/watch?v=QG40SUfIML8\&t=295s)* 첫째 국면에서는 공포가 낮은 금리와 함께 나타났다. 영상은 2013년 정부 셧다운 때는 비교적 빨리 회복했지만, 중국 주식시장 하락과 유가 급락이 겹친 2015년 사례는 이전 가격으로 돌아오기까지 1년이 넘었다고 든다. 낮은 금리가 당장 반등을 보장하지는 않았고, 시장을 흔든 사건이 얼마나 오래 영향을 주었는지가 회복 시간을 달리했다. 둘째와 셋째 국면은 ‘금리가 높다’는 한 가지 정보만으로 묶기 어렵다. 인상 중이지만 물가가 안정된 사례 네 건은 1년 뒤 네 건 모두 양수였다. 반면 금리 인상이 거의 끝나가며 물가가 내려오던 표본 다섯 건도 전부 양수였다. 두 국면에서 투자자가 마주한 차이는 금리 수준 자체보다 추가 인상 압력이 남아 있는지였다. 영상은 2018년 말 연준의 긴축 속도 조절과 2023년 은행 파산 사례를 각각 들며 정책 경로가 바뀔 가능성을 설명한다. 2023년에는 공포가 시작된 뒤에도 추가 하락이 있었으므로, 양수 표본이라는 사실이 매수 시점의 낮은 위험을 뜻하지 않는다. ![금리 인상 끝물로 분류한 다섯 사례와 회복 비교](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/7542633f-094c-434e-9998-55b192f4efb6.webp) *금리 인상 끝물 표본의 영상 집계. [차트 너머, 6:30](https://www.youtube.com/watch?v=QG40SUfIML8\&t=390s)* 금리 인하 국면 역시 안전한 구간으로 단순화할 수 없다. 영상이 든 2020년 팬데믹과 2025년 관세 충격에서는 급락 뒤 정책 대응과 충격의 변화가 반등의 흐름을 바꿨다. 다만 33.9%와 18.9%는 시작일과 고점 기준이 충분히 설명되지 않은 제작자 수치다. 따라서 하락폭은 영상의 종가 차트에서 나온 사례로만 읽어야 한다. ![2020년과 2025년 하락 및 이후 회복을 그린 S\&P 500 차트](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/afa19012-9b94-4a29-bdf1-a6a9715ae229.webp) *시작일 가격을 100으로 놓은 영상의 비교. [차트 너머, 7:27](https://www.youtube.com/watch?v=QG40SUfIML8\&t=447s)* 마지막인 고물가 상승 국면에서는 아홉 건 가운데 세 건만 1년 뒤 양수였다. 영상은 2026년 6월 사건 한 건은 시작한 뒤 1년이 지나지 않아 수익 집계에서 뺐다고 설명한다. ![고물가 국면에서 공포 시작 가격으로 회복하는 데 걸린 기간](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/2631c3b8-f3e7-4035-9910-bd519fd272df.webp) *공포가 시작된 가격으로 회복하는 기간. [차트 너머, 10:00](https://www.youtube.com/watch?v=QG40SUfIML8\&t=600s)* 전체 39건과 다섯 국면 표의 합 37 사이 두 건 차이 가운데, 2026년 6월 사례 한 건은 1년이 지나지 않아 제외됐다고 확인된다. 표본을 추측해 채우기보다 공개된 숫자를 그대로 두는 편이 정확하다. 2021년에는 짧은 공포가 네 차례 나타났고, 각각의 공포 뒤 시장이 빠르게 되돌아왔다. 이 반등만 보면 하락이 끝났다고 생각하기 쉽지만, 영상의 분류에서는 그 네 번 모두 시작일 기준 1년 뒤 손실이었다. 이후 연준은 금리를 올리기 시작했고, 같은 해 높은 물가도 이어졌다. 2022년 1월 공포 매수 사례는 당시 가격을 되찾기까지 거의 2년이 걸렸다. 영상은 물가가 6월 정점에서 꺾인 뒤 주가가 10월 바닥을 기록한 흐름과 8월과 9월 공포 구간의 이후 수익을 대비한다. ![2021년에 빠른 반등 뒤 장기간 약세로 이어진 공포 사례](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/2b8307b5-4a91-4ed7-94ed-caf2668b0d5b.webp) *단기 회복과 이후 하락이 함께 나타난 2021년 사례. [차트 너머, 8:20](https://www.youtube.com/watch?v=QG40SUfIML8\&t=500s)* ## 당시의 물가와 금리 숫자 읽기 이 영상은 2026년 11월 4일 게시됐다. 제작자는 미국 시장이 10월 6일 고점을 기록하고 AI와 반도체 주가가 밀린 것을 영상의 출발점으로 삼았다. AI에 투입한 자금이 실제 기업 이익으로 돌아올지 의문이 커졌다는 해석이다. 공포탐욕지수 18과 한 주 전 46도 10월 보도에 나온 값이며, 2011년부터 2026년 9월까지의 역사 표본과는 다른 시점의 수치다. 영상은 2026년 9월 물가를 4.0%로 표시하고 금리 3.88%를 함께 제시한다. 화면에서 금리 값의 기준월과 계열은 확인되지 않는다. FRED의 2026년 10월 월평균 실효 연방기금금리도 3.88%지만, 이는 FOMC가 9월에 결정한 3.75–4.00% 목표 범위와 별개의 관측값이다. FOMC는 9월 16일 목표 범위를 0.25%포인트 올렸고 10월 28일 같은 범위를 유지했다. [9월 FOMC 결정](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm)과 [10월 FOMC 결정](https://www.federalreserve.gov/newsevents/pressreleases/monetary20261028a.htm)은 정책 결정의 날짜와 범위를 확인하는 기준이다. BLS가 발표한 2026년 9월 CPI-U는 12개월 전보다 3.7% 상승했다. BLS의 이 수치는 비계절조정 CPI-U 전년 변화율이다. 영상 설명란이 적은 FRED CPIAUCSL은 계절조정 월별 지수이므로, 전년 변화율을 구하려면 별도의 월 비교와 계산을 해야 한다. 영상의 4.0%가 어떤 빈티지와 계산 기간에서 나왔는지는 확인되지 않았다. 여기서는 [BLS의 9월 CPI 발표](https://www.bls.gov/news.release/archives/cpi_10142026.htm)와 영상 숫자를 같은 계열의 값처럼 합치지 않는다. ![기준일에 이용할 수 있었던 최신 CPI와 연준 정책금리 목표범위](https://www.readiz.com/assets/authored/f6d82b9a-037e-4521-88d1-25f2cd6757c3/f0989f2a-2d92-4fe6-98d3-7035403a352a.webp) *비계절조정 CPI-U의 12개월 변화와 연방기금금리 목표 범위. [BLS 2021](https://www.bls.gov/news.release/archives/cpi_11102021.htm), [BLS 2023](https://www.bls.gov/news.release/archives/cpi_09132023.htm), [BLS 2026](https://www.bls.gov/news.release/archives/cpi_10142026.htm), [FOMC 2021](https://www.federalreserve.gov/newsevents/pressreleases/monetary20211103a.htm), [FOMC 2023](https://www.federalreserve.gov/newsevents/pressreleases/monetary20230920a.htm), [FOMC 2026](https://www.federalreserve.gov/newsevents/pressreleases/monetary20261028a.htm).* 차트는 세 날짜의 시점별 비교다. 2021년 11월 30일에는 직전 발표된 10월 CPI-U가 6.2%였고 연준 목표 범위는 0–0.25%였다. [BLS 발표](https://www.bls.gov/news.release/archives/cpi_11102021.htm)와 [11월 FOMC 결정](https://www.federalreserve.gov/newsevents/pressreleases/monetary20211103a.htm)으로 당시 값을 확인할 수 있다. 2023년 9월 26일에는 8월 CPI-U가 3.7%, 연준 목표 범위는 5.25–5.50%였다. 기준일에 가장 가까운 [BLS 발표](https://www.bls.gov/news.release/archives/cpi_09132023.htm)와 [9월 FOMC 결정](https://www.federalreserve.gov/newsevents/pressreleases/monetary20230920a.htm)이 이 비교의 원자료다. 2026년 11월 4일에는 9월 CPI-U가 3.7%였고, 연준은 10월 28일 3.75–4.00% 범위를 유지한 상태였다. 세 시점은 영상이 사례로 고른 2021년 11월 30일, 2023년 9월 26일과 게시 당시의 공식 자료를 같은 방식으로 붙여 놓은 것이다. CPI의 전년 변화율과 정책금리 범위의 차를 기대 실질금리로 읽거나 향후 주가수익률로 바꾸지는 않는다. 영상이 물가를 5.3%와 3.3%로 제시한 2021년과 2023년 비교도 기준 월과 빈티지가 명확하지 않다. 그 숫자만으로 해당 공포 구간 당시 투자자가 알 수 있었던 정보가 어느 쪽에 가까웠는지 판정할 수는 없다. 당시 실제로 공표된 인플레이션 수치와 연준의 결정을 함께 놓으면, 금리 수준이 높고 낮다는 설명보다 물가가 내려오는지와 긴축이 더 필요한지에 초점을 맞출 수 있다. ## 영상이 2026년 가을에 내다본 것 영상은 2026년 가을의 공포를 다섯째 국면, 곧 물가가 높은 데다 상승 압력이 커지는 경우에 가깝다고 봤다. 10월 중순에 시작된 공포 뒤 과거 39회 가운데 36회가 한 달 반 안에 바닥을 찍었다는 집계를 적용해 11월 말까지 바닥이 나올 수 있다고 내다봤다. 이어 2021년의 빠른 반등 뒤 손실과 2023년 금리 인상 끝무렵의 상승을 대비하며, 어느 흐름에 가까워질지는 물가 방향에 달렸다고 설명했다. 11월 4일 당시 공개돼 있던 BLS 자료에서 CPI-U의 전년 변화율은 8월 3.4%에서 9월 3.7%로 높아졌다. FOMC는 9월 16일 정책금리 목표 범위를 올렸고, 10월 28일에는 3.75–4.00%에서 동결했다. 당시 상황은 물가가 더 오를지, 금리가 다시 움직일지 두 신호가 아직 엇갈렸다. 9월 CPI 발표는 10월 14일에 공개됐으므로, 9월 16일 FOMC가 그 수치에 반응했다고 볼 수 없다. 11월 말이라는 시점은 과거 빈도를 대입한 영상의 시나리오다. 당시 확인된 것은 다시 높아진 CPI와 9월 금리 인상, 이어진 한 차례 동결이었다. 물가가 내려오고 추가 긴축 압력이 약해지던 2023년과 같은 회복 조건을 갖췄다고 평가할 근거는 약했다. 이 영상에서 더 설득력 있는 대목은 저점 날짜보다 반등이 오래 이어질 조건이다. 공포에 사는 전략을 평가할 때는 반등이 왔는지뿐 아니라, 그 반등을 뒷받침할 물가 안정과 추가 긴축 압력의 완화가 이어지는지가 핵심이다. --- --- id: "authored/0afbfd35-043c-47ba-a159-b0ea5c11e2a5" title: "공포탐욕지수와 금리, 물가 분석: 표본과 원자료 기준" description: "공포탐욕지수 사건 연구에 필요한 표본과 회복 정의, CPI와 연방기금금리 원자료를 정리합니다." kind: "llm-wiki" published: "2026-11-09T16:30:59.953Z" tags: ["투자","금리","물가"] url: "https://www.readiz.com/llm-wiki/fear-greed-index-regime-backtest-data/" markdownUrl: "https://www.readiz.com/llm-wiki/fear-greed-index-regime-backtest-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 공포탐욕지수와 금리, 물가 분석: 표본과 원자료 기준 공포탐욕지수의 역사적 신호를 재검토할 때 필요한 자료와 정의를 모은다. 지수는 시장 심리가 어느 쪽으로 치우쳤는지를 표시하고, 주식의 가치나 이후 수익을 직접 계산하는 지표가 아니다. 공포 임계치가 낮았던 날을 사건으로 묶고 이후 수익과 회복기간을 비교하는 연구에서는 사건 구분과 관측 기준을 함께 남겨야 한다. 자료 기준일: 2026년 11월 10일. 아래 값은 2026년 11월 4일 공개 영상에 제시된 과거 표본과 그 기준일에 이용할 수 있었던 공식 CPI 발표와 FOMC 정책 결정을 구별해 정리한 것이다. ## 지수와 표본의 시작점 원자료는 [CNN Fear & Greed Index](https://www.cnn.com/markets/fear-and-greed)다. 지수를 조회해 수치를 사용할 때에는 특정 관측 시각의 값과 과거 일별 계열을 구분한다. 점수가 0에서 100이고 25 미만인 날을 낮은 값으로 분류해도, 자동으로 독립된 공포 사건이 만들어지지는 않는다. 연속으로 이어지는 관측치를 하나의 사건으로 묶을 기준을 별도로 기록한다. 차트 너머의 2026년 11월 4일 영상 설명은 과거 분석에 CNN 공포탐욕지수(2011-01-03부터 2026-09-23까지), Yahoo Finance의 S\&P 500 및 필라델피아 반도체 지수 종가, FRED의 FEDFUNDS, CPIAUCSL, DGS10을 사용했다고 밝힌다. 2026년 10월의 공포지수 18은 역사 표본의 종료일 뒤에 소개한 당시 보도 수치다. 이 두 기간을 하나의 표본처럼 합치지 않는다. | 비교 항목 | 반드시 기록할 기준 | | --------- | ---------------------------------------------------- | | 공포 사건 | 원 지수의 관측일, 임계치, 연속일을 한 사건으로 묶은 규칙, 사건 시작일 | | 바닥까지 걸린 날 | 바닥의 지수 종류와 종가 기준, 저점 탐색 종료 시점, 같은 저점이 여러 번일 때 처리 | | 1년 뒤 수익 | 매수 기준 종가와 정확한 측정일, 가격지수인지 총수익지수인지, 만기 전에 관측 가능한 사건 수 | | 임의 날짜 비교군 | 날짜를 고른 방법, 표본 수와 관측 기간, 공포 사건과 기간이 겹치는지 여부 | | 회복기간 | 사건 시작 가격과 직전 고점 중 어느 가격으로 복구를 재는지, 평균과 중앙값 중 무엇을 쓰는지 | ## 영상의 공개 집계에서 남는 질문 대상 자료는 [차트 너머의 2026년 11월 4일 영상](https://www.youtube.com/watch?v=QG40SUfIML8)이다. 영상은 25 미만의 공포 사건을 39회로 집계하고, 그중 21회가 일주일 안, 31회가 한 달 안, 36회가 한 달 반 안에 바닥을 찍었다고 제시한다. 공포 시작일에 매수한 경우 1년 뒤 양수 비율 76%와 임의 날짜 매수의 86%도 보여 준다. 다만 개별 사건 목록, 바닥의 탐색 종료일, 임의 날짜 비교군 구성, 배당과 거래 비용은 설명란에 공개되지 않았다. 이 수치는 제작자의 분석 결과로 인용하며, 계산 가능한 시장 전략 성과나 인과 효과로 설명하지 않는다. 다섯 국면의 공개 화면 표는 1년 뒤 양수인 표본을 13/16, 4/4, 5/5, 3/3, 3/9로 나눈다. 합계는 28/37이다. 영상의 39회와 표의 37건 사이 두 건 차이 가운데 2026년 6월 한 건은 1년 관측이 끝나지 않아 제외됐다고 설명한다. 따라서 28/37이 전체 76% 계산의 분자와 분모라고 단정하지 않는다. 국면 분류가 사건 당시 알려진 정보만으로 이뤄졌는지와 각 사건이 서로 독립적인지 또한 공개 화면으로 확인할 수 없다. 특히 ‘금리 인상이 거의 끝나가는 때’는 지나간 경로를 보고 붙인 이름인지, 당시에 확인할 수 있는 규칙인지 구별해야 한다. 회복기간에는 출발점도 필요하다. 사건 시작일에서 종가가 처음 돌아온 기간과 이전 고점을 다시 넘는 기간은 다르다. 배당을 재투자하는 총수익 지수와 가격만 반영하는 지수의 회복도 다르므로, 저점과 회복의 정의가 빠진 ‘보통 한 달’은 같은 계산으로 재현할 수 없다. ## 금리 계열: 목표 범위와 실효금리 연준의 FOMC 성명은 목표 범위를 특정 회의일에 결정한다. FRED [FEDFUNDS 계열](https://fred.stlouisfed.org/series/FEDFUNDS)은 연방기금금리의 월평균 실효금리다. 한 달의 거래가 반영된 관측치이므로 FOMC가 목표로 정한 범위의 하한과 상한과 일치하지 않아도 된다. 일별 목표 범위와 월평균 실효금리를 같은 열로 붙이지 않는다. 2026년 9월 16일 FOMC는 목표 범위를 3.75–4.00%로 인상했다. 10월 28일 회의는 같은 범위를 유지했다. FRED의 FEDFUNDS는 2026년 10월 평균 3.88%를 표시한다. 이 3.88%를 9월 회의의 정책 목표값이나 목표 범위의 대표값으로 쓰지 않는다. [9월 결정문](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm), [10월 결정문](https://www.federalreserve.gov/newsevents/pressreleases/monetary20261028a.htm)을 FRED의 [월별 실효금리](https://fred.stlouisfed.org/series/FEDFUNDS)와 나눠 적는다. 다른 시점의 같은 구분 사례는 2021년 11월 30일 기준 최신 공표 목표 범위 0–0.25%와 2023년 9월 26일의 5.25–5.50%다. 이 값들은 해당 회의 성명에서 읽는다: [2021년 11월 결정문](https://www.federalreserve.gov/newsevents/pressreleases/monetary20211103a.htm), [2023년 9월 결정문](https://www.federalreserve.gov/newsevents/pressreleases/monetary20230920a.htm). 영상의 과거 수익 비교 화면에 실효금리가 함께 나오면 어느 계열인지 캡션에서 밝힌다. ## 물가 계열: 지수 수준과 12개월 변화율 FRED [CPIAUCSL](https://fred.stlouisfed.org/series/CPIAUCSL)은 계절조정된 CPI-U 지수의 월별 수준이다. 전년 대비 변화율은 지수 자체가 아니라 12개월 차이를 계산해 얻는다. 최신 빈티지 값으로 과거 변화를 계산할 때에는 지수 개정과 계절조정 변경에 따라 당시 발표치와 달라질 수 있으므로, 발표시점에 이용할 수 있던 자료를 재현하려면 역사 빈티지를 기록한다. BLS의 월별 보도자료는 해당 시점에 발표된 CPI-U 변화율과 계절조정 여부를 함께 확인하는 근거다. 2026년 11월 4일까지 공개된 마지막 CPI 발표는 2026년 9월 자료로, CPI-U 전년 변화율은 8월 3.4%에서 9월 3.7%로 높아졌다. 9월 수치는 10월 14일 발표됐다. 같은 방법으로 2021년 11월 30일 시점 최신 10월 CPI는 6.2%, 2023년 9월 26일 시점 최신 8월 CPI는 3.7%였다. 원문: [BLS 2021년 10월 CPI](https://www.bls.gov/news.release/archives/cpi_11102021.htm), [BLS 2023년 8월 CPI](https://www.bls.gov/news.release/archives/cpi_09132023.htm), [BLS 2026년 9월 CPI](https://www.bls.gov/news.release/archives/cpi_10142026.htm). 영상은 2021년 물가 5.3%, 2023년 3.3%, 2026년 9월 4.0%를 표시하지만, 각 숫자의 정확한 CPI 기준월과 계절조정 여부, 역사 빈티지와 계산식이 보이지 않는다. 영상 설명이 CPIAUCSL을 참조한다고 해서 각 표시 숫자의 변환 과정까지 재현되는 것은 아니다. 따라서 이 값들을 검증된 BLS 비계절조정 전년비와 같은 계열로 간주하지 않는다. 차이가 나타나는 자료를 사용할 때에는 별도의 열로 나란히 놓고 원인을 추정하지 말고 기준이 확인되는 수치만 비교한다. ## 실제 시점에 맞춘 비교표 아래 CPI는 기준일에 발표돼 있던 최신 CPI-U 비계절조정 전년 변화율이고, 연준 값은 그날 유효한 정책 목표 범위다. | 기준일 | 최신 CPI-U 발표 | 연방기금금리 목표 범위 | 원문 | | ---------- | ------------------ | ------------ | -------------------------------------------------------------------------------------------------------------------------------------------------------- | | 2021-11-30 | 2021년 10월 CPI 6.2% | 0–0.25% | [BLS](https://www.bls.gov/news.release/archives/cpi_11102021.htm), [FOMC](https://www.federalreserve.gov/newsevents/pressreleases/monetary20211103a.htm) | | 2023-09-26 | 2023년 8월 CPI 3.7% | 5.25–5.50% | [BLS](https://www.bls.gov/news.release/archives/cpi_09132023.htm), [FOMC](https://www.federalreserve.gov/newsevents/pressreleases/monetary20230920a.htm) | | 2026-11-04 | 2026년 9월 CPI 3.7% | 3.75–4.00% | [BLS](https://www.bls.gov/news.release/archives/cpi_10142026.htm), [FOMC](https://www.federalreserve.gov/newsevents/pressreleases/monetary20261028a.htm) | ![기준일에 이용할 수 있었던 CPI-U와 연준 정책금리 범위](https://www.readiz.com/assets/authored/0afbfd35-043c-47ba-a159-b0ea5c11e2a5/af26d1bb-ad37-45a4-ae5b-5d38bdbb9c0d.webp) *당시 발표된 CPI-U와 FOMC 목표 범위의 비교. 표의 원문 출처를 기준일별로 연결.* 같은 기준일에 공개된 수치를 붙이면 영상의 국면 해석과 공식 발표의 시간 차이를 점검할 수 있다. CPI-U의 과거 12개월 변화율에서 정책금리 목표 범위를 빼면 관측 자료 둘의 산술 차이만 나온다. 이는 기대 인플레이션이나 정책 전망을 반영한 예상 실질금리가 아니다. 이를 주가 수익률의 원인으로 설명하려면 별도의 분석이 필요하다. ## 함께 찾을 자료 [미국 국채금리와 FedWatch: 만기·기간 프리미엄·정책 기대](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/)는 정책 범위와 시장 기대, 국채 수익률의 관계를 다룬다. [시장 수급 지표 읽기](https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/)는 거래 활동과 자금 흐름, 가격지수 낙폭과 회복기간의 정의를 설명한다. 공포탐욕지수 자료를 사용할 때에는 이들 문서의 금리와 시장 지표 정의를 결합하고 사건 표본과 수익률 분모를 새로 기록한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/c2d2ebdb-b940-41f8-a9b8-849198297c11" title: "코스피 45% 하락, V자 반등을 만드는 조건" description: "외국인 매도와 연기금 매수, 증권가의 낙관론, 데이터센터 정책과 과거 회복 사례를 연결해 한국 증시의 반등 조건을 살펴본다." kind: "record" published: "2026-11-08T09:41:09.011Z" tags: ["투자","반도체","금리"] url: "https://www.readiz.com/records/kospi-45-percent-drawdown-recovery-conditions-20261107/" markdownUrl: "https://www.readiz.com/records/kospi-45-percent-drawdown-recovery-conditions-20261107/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 코스피 45% 하락, V자 반등을 만드는 조건 코스피가 크게 떨어졌을 때 회복의 속도를 가르는 건 다시 주식을 살 자금과 기업이 벌어들일 이익이다. 가격이 낮아진 뒤에도 매도 압력이 이어지고 이익 전망이 나빠지면 회복은 길어진다. 반대로 새로운 매수 기반이 생기고 금리와 투자 여건이 개선되면 빠른 반등을 기대할 근거가 생긴다. V자 회복을 판단하려면 이 변화가 어디서 시작되는지 봐야 한다. 박종훈의 지식한방은 2026년 11월 7일 영상에서 외국인 수급과 연기금, 미국 데이터센터 정책, 과거 폭락장의 회복 기간을 연결한다. 출발점은 코스피의 고점 대비 약 45% 하락이다. 영상에 제시된 11월 6일 종가 5,059.69는 6월 22일 종가 고점 9,114.55보다 약 44.5% 낮다. 고점 종가는 [한국거래소의 6월 23일 공시](https://kind.krx.co.kr/external/2026/06/23/000346/20260623000852/99443.htm)에서도 확인된다. 같은 11월 6일 하루의 종가 하락률은 영상 기준 6.02%다. [YouTube: 코스피 45% 폭락, 이제 주가는 어떻게 되나 (박종훈의 지식한방)](https://www.youtube.com/watch?v=vNeSr5ZRIc8) ![코스피 고점 종가와 11월 6일 종가 및 장중 하락률](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/6b37e76e-375b-46bb-a2a4-6aa870510a4b.webp) *6월 22일 종가 고점과 11월 6일 종가, 장중 낙폭을 나누어 표시한 화면. [박종훈의 지식한방, 00:22](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=22s)* ## 외국인 매도는 누가 받아내고 있을까 영상은 11월 6일까지 외국인이 최근 6거래일 동안 13조 원, 한 달 동안 33조 원, 연간 250조 원 이상을 순매도했다고 제시한다. 10월 6일부터 11월 6일까지의 화면 집계에서는 개인이 약 14조 6천억 원, 연기금이 약 1조 2천억 원을 순매수했다. 이 화면은 11월 6일 오전 10시 잠정치를 함께 사용한 집계다. ![외국인과 개인 및 연기금의 기간별 매매 흐름](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/be72878f-89d8-486e-b1d0-57e8014a6310.webp) *10월 6일부터 11월 6일까지 투자주체별 수급과 당일 흐름. 11월 6일 오전 잠정치가 포함된 영상 집계. [박종훈의 지식한방, 04:30](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=270s)* 순매도는 한 투자주체가 판 금액에서 산 금액을 뺀 값이다. 외국인 순매도 물량에도 거래 상대인 매수자가 있다. 수급에서 볼 부분은 매도자가 어느 가격까지 내려와 팔려 하고, 그 물량을 받아줄 매수자가 어느 가격에 들어오는지다. 외국인이 매도를 지속하는 동안 국내 매수자가 이전 가격을 유지할 만큼 적극적으로 들어오지 않으면 거래 가격은 낮아진다. 개인과 연기금이 사고 있다는 사실과 시장이 강하게 반등할 수 있다는 판단 사이에는 이 차이가 있다. 발표자는 외국인의 연중 매도를 공포에 질린 일회성 투매보다 보유 비중을 꾸준히 줄이는 행동으로 해석한다. 그래서 외국인이 새로 대규모 매수에 나서기 전이라도 우선 매도를 줄이는 변화가 중요하다고 본다. 영상이 비교한 2008년 연간 순매도 36조 원과 최근 한 달 33조 원은 압력을 체감하게 해 주지만, 당시보다 커진 시장 규모까지 비교하려면 같은 시장과 기간의 순매도액을 시가총액이나 거래대금에 견주어야 한다. 영상에서 말하는 ‘개인의 항복’도 매도 압력을 설명하는 방식이다. 손실을 견디지 못한 매도가 한꺼번에 나온 뒤 팔 사람이 줄면 가격이 안정될 수 있다는 이야기다. 다만 개인 순매수에는 서로 다른 계좌의 매도와 매수가 합쳐져 있다. 시장 전체의 저점은 개인의 투매 한 가지보다 외국인의 매도 강도와 새 매수 수요, 기업 이익 전망이 어떻게 바뀌는지를 통해 판단하는 편이 낫다. ## 연기금이 살 수 있는 자리와 실제 주문 국민연금은 국내주식을 무제한으로 사는 자금이 아니다. 전체 자산에서 자산군별 목표 비중을 정해 운용한다. 국내주식 가격이 오르면 새로 사지 않아도 비중이 높아지고, 주가가 내려가면 비중이 낮아진다. 해외주식과 채권 가격, 환율도 전체 자산이라는 분모를 바꾼다. 영상은 국내주식 목표 비중 20.8%에 비해 11월 6일 종가 기준 실제 비중이 약 20%로 내려왔다고 추정한다. 목표와 약 0.8%포인트 차이가 나면서 이전보다 매수하기 쉬운 자리가 생겼다는 설명이다. ![국민연금 국내주식 목표 비중과 보유 비중 추정](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/4e495447-7cdb-463b-902e-54afda8645ca.webp) *국민연금 국내주식 목표 비중과 보유 비중 비교. 현재 약 20%는 영상의 11월 6일 종가 기준 추정치. [박종훈의 지식한방, 02:58](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=178s)* 공식 결정은 [보건복지부의 5월 28일 기금운용위원회 발표](https://www.korea.kr/news/policyNewsView.do?newsId=148965365)에 나온다. 2026년 국내주식 목표를 14.9%에서 20.8%로 높여 6월 말부터 적용하고, 2027년에도 20.8%를 유지하기로 했다. 화면의 과거 목표 14.4%는 2025년에 설정한 값이다. 기금위는 전략적 자산배분(SAA)의 허용범위를 한시적으로 넓히는 한편 일일 최대 리밸런싱 규모는 줄였다. 구체적인 허용범위는 공개하지 않았다. 목표와 실제 비중의 차이는 포트폴리오를 조정할 공간을 보여준다. 실제 주문은 허용범위와 집행 속도, 다른 자산의 가격 변동을 함께 반영한다. 따라서 0.8%포인트를 그날 바로 집행할 현금 예산처럼 읽으면 매수 속도를 과대평가하게 된다. 거래소의 ‘연기금등’ 수급도 국민연금 한 기관의 보유량이나 주문과는 범위가 다르다. 영상은 10월 30일 연기금 순매수 8,929억 원, 10월 30일부터 11월 5일까지 5거래일 합계 1조 4,222억 원을 제시한다. 2022년 1월 27일 LG에너지솔루션 상장일의 1조 2,231억 원은 지수 편입에 따른 매수가 포함된 비교 사례다. 앞서 나온 한 달 순매수 1조 2천억 원과는 기간과 집계 시점이 다르다. 짧은 기간의 큰 매수는 실제로 시장을 받친 행동이고, 지속적인 반등의 힘을 보려면 이후에도 비슷한 가격에서 매수가 이어지는지를 봐야 한다. ![연기금 하루 순매수와 5거래일 합계](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/f17b2e9c-382e-46c8-8461-4b85b33df5e3.webp) *연기금의 하루 순매수와 5거래일 합계. LG에너지솔루션 상장일의 지수 편입 수요도 함께 표시. [박종훈의 지식한방, 03:44](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=224s)* ## 급등일에는 변동성이 크게 보인다 영상은 7월 31일 코스피가 약 5,593에서 6,595로 17.91% 급등했던 날을 든다. 그날 종가에 샀다고 가정하면 11월 6일 종가까지 약 23% 손실이다. 급등 직후 한동안 더 올랐더라도, 그날의 상승 폭만으로 이후 몇 달의 방향을 판단하기는 어려웠던 사례다. ![7월 31일 코스피 급등과 11월 6일 종가 비교](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/9e6e0ffa-f996-469f-9fd9-a0a7eda47ab9.webp) *7월 31일 급등일 종가와 11월 6일 종가 비교. [박종훈의 지식한방, 06:35](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=395s)* 매도가 몰리다가 잠시 줄어든 자리에 매수 주문이 들어오면 가격은 빠르게 뛸 수 있다. 이때 확인되는 건 짧은 시간 안에 큰 폭으로 움직이는 시장의 변동성이다. 회복이 이어지려면 급등 뒤에도 매수자가 남아 있고, 반등을 이용해 팔려는 물량을 받아내야 한다. 발표자가 함께 경계하는 행동은 급락 순간의 투매와 급등 뒤의 추격 매수다. 공포가 가장 클 때 팔고 가격이 빠르게 오르자 다시 사면, 손실을 확정한 뒤 더 높은 가격에 같은 위험을 떠안게 된다. 매일 달라지는 가격에 판단이 끌려가기 쉬운 구간일수록 수급과 실적, 금리 중 무엇이 실제로 바뀌었는지가 매매 판단의 기준이 된다. ## 낙관적인 전망을 말하는 유인 영상에 나온 2026년 7월 국내 증권사 10곳의 개별 종목 보고서는 매수 의견 95.2%, 중립 4.7%, 매도 0.1%로 구성돼 있다. 비교한 외국계 한 곳의 비율은 각각 50.7%, 27.5%, 21.7%다. 9월 30일 기준 최근 1년 집계에서는 상위 10개 증권사 가운데 8곳이 매도 의견을 한 건도 내지 않았다고 소개한다. ![국내외 증권사 종목 보고서의 투자의견 비중](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/e0198f2a-11d7-4f93-8da4-78d547ae928c.webp) *국내 증권사 10곳과 외국계 한 곳의 종목 보고서 투자의견 분포. [박종훈의 지식한방, 09:30](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=570s)* 종목 보고서의 투자의견은 일정한 투자 기간과 기업 가치 평가를 전제로 한다. 이 분포로 그날 코스피를 사고팔 시점까지 판정할 수는 없다. 그보다 설명할 부분은 시장이 크게 내린 뒤에도 의견이 한쪽으로 쏠리는 이유다. 발표자는 낙관적인 전망이 고객 유입과 거래, 펀드 판매에 도움이 되는 구조를 지적한다. 다수가 상승을 예상하면 전망이 틀렸을 때 책임이 분산된다. 혼자 반대 의견을 낸 사람은 결과가 나오기 전부터 고객 이탈이나 내부 평가의 부담을 진다. 영상이 인용한 케인스의 말도 관행대로 실패하는 쪽이 관행을 벗어나 성공하는 쪽보다 평판을 지키기 쉽다는 취지다. 방향을 맞히는 일과 그 판단을 내놓는 사람이 보상받는 방식 사이에 차이가 있다는 얘기다. 영상이 인용한 Bespoke의 월가 연간 컨센서스 집계는 2000년부터 2024년까지 하락 전망이 없었다고 제시한다. 같은 화면에는 실제 하락한 해가 7번, 평균 오차가 14.2%포인트라고 표시돼 있다. 이는 영상에 제시된 전망 표본의 집계다. 낙관적인 숫자를 많이 본다는 사실보다 각 전망이 어떤 이익과 금리, 평가 배수를 가정했는지가 판단에 더 유용하다. ![월가 연간 주가 전망과 타이거 매니지먼트 사례](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/4dd8ce80-2534-4886-bca2-091f69a5aa58.webp) *영상이 제시한 월가 연간 전망과 실제 결과, 타이거 매니지먼트 사례. 평균 오차 14.2%포인트. [박종훈의 지식한방, 13:55](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=835s)* 타이거 매니지먼트 사례는 투자 기간의 문제까지 보여준다. 영상은 줄리언 로버트슨이 닷컴 버블 당시 기술주를 피했지만 펀드가 환매와 운용자산 감소를 겪고 2000년 3월 30일 청산됐다고 설명한다. 화면의 운용자산은 210억 달러에서 약 60억 달러로 줄어 있다. 운용자산에는 투자 성과와 고객 환매가 함께 반영된다. 이후 나스닥이 고점에서 약 78% 하락했다는 결과가 나와도 이미 청산한 펀드는 그 판단의 결실을 기다릴 수 없었다. 시장 전망을 평가할 때는 방향뿐 아니라 그 판단이 실현되기까지 필요한 시간과 버틸 자금도 함께 봐야 한다. ## 데이터센터 정책은 반도체 수요의 시간을 바꾼다 AI 서버에는 연산을 맡는 GPU와 데이터를 빠르게 공급하는 고대역폭 메모리 HBM이 들어간다. 데이터센터의 건설과 전력 공급 일정이 늦어지면 이 장비를 주문하고 설치하는 계획도 바뀔 수 있다. 한국 반도체 기업에 미국 주 정부의 인허가 정책이 중요한 이유다. 영상은 텍사스의 선거 결과를 그 변화의 출발점으로 본다. [텍사스주 선거관리국의 11월 3일 선거 집계](https://electionresults.sos.state.tx.us/results.html)에서는 민주당 지나 히노호사가 공화당 그레그 애벗을 앞섰다. 영상이 소개한 언론 집계에서 텍사스는 \*\*2028년 가동 예정인 미국 데이터센터 용량의 약 30%\*\*를 차지한다. 이는 그해 가동 예정 용량을 분모로 한 영상 제시치다. ![미국 주지사 당선자와 우세 후보의 데이터센터 규제 공약](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/e9cf552d-248f-4b7f-a13a-b9bc7ca984cf.webp) *당선자와 우세 후보의 데이터센터 규제 공약을 모은 영상의 언론 집계. [박종훈의 지식한방, 16:50](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1010s)* 같은 집계는 주지사 당선자와 우세 후보 36명 중 34명이 가계 전기요금 보호, 27명이 물과 환경 규제, 15명이 세금 감면 축소나 폐지를 지지했다고 설명한다. 건설 유예 공약은 12개 주에서 나왔다고 소개한다. 이 수치가 나타내는 건 선거 국면의 공약이다. 실제 사업 일정은 2027년 취임 뒤 어떤 기관이 어느 시설을 대상으로 규칙을 시행하고, 기존 사업에 어떤 예외를 두느냐에 따라 달라진다. 주 정부도 세수와 투자 유치, 주민의 전기요금 부담 사이에서 선택해야 한다. 전력망 제약은 선거 전에 이미 있었다. 텍사스 전력망 운영기관 [ERCOT의 6월 18일 발표](https://www.ercot.com/news/release/06182026-puct-approves-ercots)는 75MW 이상 대형 부하의 계통 연계 신청을 묶어 심사하는 Batch Zero 절차를 설명한다. 당시 추적 중인 신청 용량은 438GW를 넘었고 약 89%가 데이터센터였다. 신청량은 사업자가 연결을 요청한 규모다. ERCOT은 모든 신청이 실제 건설로 이어지지는 않는다고 명시한다. [4월 예비 부하 전망](https://www.ercot.com/news/release/04152026-ercot-releases-preliminary)도 건설을 예측한 확정 물량과 구별해 제시했다. 건설 지연의 단기 수혜는 이미 가동 중인 시설에 생길 수 있다. 새 공급이 늦어지는 동안 기존 데이터센터의 공간과 전력을 확보하려는 수요가 몰리면 임대료에 힘이 붙기 때문이다. 반대로 신규 시설에 장비를 공급할 기업은 발주와 매출 인식이 밀릴 수 있다. 같은 빅테크 안에서도 기존 설비에서 받는 수입과 새 설비를 통해 늘릴 매출이 서로 다른 시점에 영향을 받는다. 발표자는 허가가 6개월 정도 지연되면 2027년 하반기 HBM 가격에도 영향을 줄 수 있다고 전망한다. 이 시나리오를 판단할 연결 고리는 **허가와 전력 일정, 서버 발주, 반도체 납품, 고객의 실제 가동**이다. 주문이 뒤로 이월되는지 취소되는지, 공급사가 이미 맺은 계약과 다른 고객의 수요가 얼마나 있는지에 따라 실적의 크기와 시점이 달라진다. 데이터센터의 ‘계획 용량’보다 이 과정에서 확정되는 주문이 반도체 이익을 더 직접적으로 설명한다. ## 전고점까지 돌아가는 데 걸리는 시간 영상은 미국 주가가 45% 넘게 하락했던 다섯 사례를 비교한다. 가격지수 기준으로 2007년 금융위기 전 고점을 다시 넘기까지 약 5년 5개월, 2000년 닷컴 버블 전 고점을 회복하기까지 약 7년 2개월이 걸렸다는 표다. 1937년과 1973년의 하락도 회복까지 여러 해가 필요했고, 대공황 사례에는 약 25년이 표시돼 있다. ![미국 가격지수의 큰 하락과 전고점 회복 기간](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/78f4ce8a-949a-4ae6-bad6-ecbca5f66551.webp) *미국 가격지수의 다섯 차례 큰 하락과 전고점 회복 기간. [박종훈의 지식한방, 20:30](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1230s)* 발표자는 금융위기 이후의 회복이 비교적 빨랐던 배경으로 양적 완화를 든다. 이 비교에서 볼 점은 큰 하락 뒤에 자금 조달 여건을 되살리는 정책과 이익 회복이 함께 필요했다는 것이다. 낙폭이 비슷해도 신용시장과 기업 이익이 회복되는 속도가 달라지면 주가의 경로도 달라진다. 다른 나라에서는 기다린 시간이 더 길기도 했다. 영상은 일본 니케이225가 1989년 고점을 회복하기까지 34년 2개월, 유로스톡스50이 2000년 고점을 회복하기까지 약 25년이 걸렸다고 제시한다. 그동안 배당을 받거나 여러 시점에 투자한 사람의 성과와, 특정 고점에 산 가격이 돌아오는 데 걸린 시간은 다르다. ![주요국 가격지수의 이전 고점 회복 기간](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/9cc81d2f-5acc-490a-bd24-f6f9380a9091.webp) *주요국 가격지수의 이전 고점 회복 기간. 종가 기준이며 배당은 제외한 영상 비교. [박종훈의 지식한방, 22:10](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1330s)* 회복 기간은 출발점을 맞춰 읽어야 한다. 고점에서 하락을 거쳐 다시 고점을 넘는 기간과 저점에서 반등하는 기간은 길이가 다르다. 위 표는 배당 재투자를 제외한 가격 기준이고, 물가를 반영한 구매력은 별도다. 또 현대의 500종목 S\&P 500은 1957년 출범했으므로 1929년 비교는 과거 자료로 소급 구성한 계열이다. 지수 제공자의 [S\&P 500 역사](https://www.spglobal.com/spdji/en/documents/education/spdji-where-it-all-began.pdf)와 [지수 산식](https://www.spglobal.com/spdji/en/documents/methodologies/methodology-index-math.pdf)이 이 기준을 설명한다. ## 지수가 회복해도 개별 기업은 다른 시간을 겪는다 지수는 구성 종목을 교체하고 성장한 기업의 비중을 높이면서 회복할 수 있다. 개별 기업의 주가는 그 회사의 경쟁력과 이익에 묶인다. 영상이 든 인텔 사례는 이 차이를 보여준다. 2000년 8월 31일의 고점 74.88달러를 2026년 4월 24일에야 넘었고, 10월 30일에는 하루에 28.6% 하락했다고 소개한다. ![인텔의 닷컴 버블 고점과 2026년 주가 흐름](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/0faae85e-daef-4b53-9fde-899aa3e032ca.webp) *인텔의 닷컴 버블 고점과 2026년 재돌파, 이후 하락. 28.6%는 10월 30일 하루 낙폭. [박종훈의 지식한방, 24:40](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1480s)* 한때 산업의 대표 기업이었어도 새 시장에서 이익을 만들지 못하면 기다림은 길어진다. 한국 반도체 종목을 판단할 때도 산업 전체의 성장과 그 회사가 확보할 고객, 제품 경쟁력, 투자 회수 능력을 연결해야 한다. 지수의 장기 회복 사례와 보유한 한 종목의 회복 가능성은 서로 다른 근거를 필요로 한다. ## 2020년에는 무엇이 반등을 만들었을까 영상의 2020년 코스피 비교는 1월 고점 약 2,267에서 3월 19일 저점 약 1,458로 내려갔다가 8월에 그해 1월 고점을 회복하는 경로다. 고점부터 세면 약 7개월, 저점부터 세면 약 5개월이다. 화면마다 기간이 달라 보이는 이유가 여기에 있다. 당시에는 자금과 수요의 환경이 빠르게 바뀌었다. 연준은 [2020년 3월 23일 성명](https://www.federalreserve.gov/newsevents/pressreleases/monetary20200323a.htm)에서 시장 기능과 통화정책 전달을 뒷받침하는 데 필요한 규모로 국채와 주택저당증권을 매입하겠다고 밝혔다. 영상은 여기에 재정 지원과 낮아진 금리, 집에 머문 소비자의 전자제품 수요를 연결해 한국 수출과 주가의 회복을 설명한다. 주가 하락 뒤에 자금 공급과 수요 회복이 함께 따라온 사례라는 것이다. ![2020년 코스피 급락과 직전 고점 회복](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/78fe6341-9795-4e3d-8c45-75326a6afae8.webp) *2020년 코스피의 급락과 회복. 회복 목표는 그해 1월 고점. [박종훈의 지식한방, 25:52](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1552s)* 회복하기로 정한 가격의 높이도 달랐다. 2020년 코스피는 2018년 고점 이후 약 2년간 조정을 받은 상태에서 팬데믹을 맞았다. 영상이 V자 반등으로 표시한 구간은 그보다 낮아져 있던 2020년 1월 가격까지 돌아가는 기간이다. 반면 영상은 1989년에는 앞선 4년 동안 지수가 약 7배, 2026년에는 14개월 동안 약 4배 오른 뒤 큰 하락이 왔다고 비교한다. 1989년의 첫 전고점 회복은 약 5년 5개월 뒤였지만 이후 다시 하락했고, 1천 선에 안착하기까지 약 16년이 걸렸다는 설명이다. ‘첫 재돌파’와 ‘안착’은 다른 기준이다. 1989년의 16년과 2020년의 저점 이후 5개월을 같은 회복 기간처럼 나란히 읽으면 차이를 과장하게 된다. ![1989년과 2020년 및 2026년 코스피 회복 조건 비교](https://www.readiz.com/assets/authored/c2d2ebdb-b940-41f8-a9b8-849198297c11/1c2bbbd3-cf55-4990-b582-68c7fd4a2077.webp) *1989년과 2020년, 2026년 비교. 1989년은 1천 선 안착, 2020년은 저점 이후 직전 고점 회복까지 표시. [박종훈의 지식한방, 28:20](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1700s)* 급등 뒤의 높은 가격을 다시 지탱하려면 그 가격에 맞는 이익과 자금이 필요하다. 그래서 과거와 닮은 차트 모양보다 이전 고점에 담겼던 성장 기대가 지금도 성립하는지가 더 중요하다. 반도체 이익과 고객의 투자 계획이 바뀌었다면 회복을 판단하는 기준도 그에 맞춰 바뀌어야 한다. ## 금리가 내려갈 때 이익은 어떻게 움직일까 영상은 미국 10년물 금리가 2% 정도까지 내려가는 상황을 빠른 반등에 유리한 조건으로 든다. 이 2%는 발표자가 가정한 시나리오다. 28분대 비교표에는 미국 10년물이 5% 위라고 적혀 있지만, [미 재무부 일일 수익률 자료](https://home.treasury.gov/resource-center/data-chart-center/interest-rates/pages/xml?data=daily_treasury_yield_curve\&field_tdr_date_value=2026)의 11월 6일 값은 4.86%다. 금리 하락은 미래 이익을 현재 가치로 바꾸는 할인율을 낮추고 기업과 소비자의 이자 부담을 줄일 수 있다. 이익이 유지되는 동안 자금 조달 비용이 내려가면 주가 회복에 유리하다. 반면 경기침체로 이익 전망까지 크게 줄어드는 과정의 금리 하락이라면, 낮아진 할인율의 효과와 줄어든 이익을 함께 계산해야 한다. 장기금리에는 정책금리 기대뿐 아니라 물가 전망과 국채 공급, 기간 프리미엄도 반영된다. 11월 6일 종가 5,059.69에서 6월 고점 9,114.55로 돌아가려면 약 80.1% 올라야 한다. 두 지수값으로 계산한 수치다. 거의 절반의 하락을 메우려면 남아 있는 가격에서 훨씬 큰 상승이 필요하다. 이 간격을 채울 근거는 외국인 매도 압력의 완화, 이어지는 국내 매수 기반, 실제 주문과 현금흐름으로 확인되는 반도체 이익, 그리고 이를 뒷받침할 금리와 정책 여건이다. 하루의 큰 반등은 이 변화보다 먼저 나올 수 있다. 지속적인 회복의 힘은 그 뒤에도 매수 자금과 이익이 낮아진 가격을 받쳐 주는 데서 생긴다. 코스피의 회복을 판단할 중심은 얼마나 많이 떨어졌는가에서, 다시 올라갈 가격을 무엇이 지탱할 것인가로 옮겨가야 한다. --- --- id: "authored/a49b4cf9-6858-40ec-a9e9-5d651b2d8439" title: "한국 공개 API와 데이터 포털 찾기: public-apis-4Kr" description: "한국 서비스 개발과 데이터 조사를 위해 공개 API, 데이터 포털, 통계 자원을 분야별로 찾는 목록과 활용 절차를 정리한다." kind: "llm-wiki" published: "2026-11-07T12:30:22.072Z" tags: ["API","공공데이터","자료 안내"] url: "https://www.readiz.com/llm-wiki/korean-public-apis-resource-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/korean-public-apis-resource-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/자료 안내" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2F%EC%9E%90%EB%A3%8C+%EC%95%88%EB%82%B4" --- # 한국 공개 API와 데이터 포털 찾기: public-apis-4Kr ## 자료의 성격 [public-apis-4Kr](https://github.com/yybmion/public-apis-4Kr)는 한국 서비스와 데이터 조사를 위한 API 및 데이터 자원을 분야별로 모아 둔 목록이다. 공공기관 API뿐 아니라 민간 서비스, 데이터셋, 포털, 통계 지표까지 함께 다루므로 데이터의 출처와 제공 형태를 넓게 살펴볼 때 유용하다. 목록은 검색 출발점이다. 실제 구현이나 분석에 사용할 항목을 찾으면 제공 기관의 문서에서 데이터 정의와 요청 형식, 갱신 주기, 이용 조건을 확인한다. 다음은 README에 실린 항목을 질문에 따라 다시 묶은 길잡이다. | 찾는 내용 | 먼저 볼 분야와 예시 | | --------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | 법령과 판례 원문 | 법률: [국가법령정보 Open API](https://open.law.go.kr/LSO/openApi/guideResult.do?htmlName=lsNwListGuide), [국가법령정보 판례 API](https://open.law.go.kr/LSO/openApi/guideResult.do?htmlName=precInfoGuide) | | 지도 표시와 주소 검색 | 지도와 위치: [카카오맵](https://apis.map.kakao.com/web/guide/), [주소기반산업지원서비스](https://business.juso.go.kr/) | | 지역, 인구, 공간 정보 | 데이터 포털: [SGIS 통계지리정보서비스](https://sgis.kostat.go.kr/developer/html/home.html), 통계: [내고장알리미](https://laiis.go.kr/) | | 금리와 환율, 거시경제 통계 | 지표: [한국은행 경제통계](https://ecos.bok.or.kr/api/#/), [KOSIS 국가통계포털](https://kosis.kr/serviceInfo/openAPIGuide.do) | | 관광, 문화 자원 | 데이터 포털: [문화공공데이터광장](https://www.culture.go.kr/data/main/main.do), [한국관광 데이터랩](https://datalab.visitkorea.or.kr/) | | 교통과 항공 운항 | 교통: [국가교통 데이터 오픈마켓](https://bigdata-transportation.kr/), 항공: [인천공항 여객운항 현황 API](https://www.data.go.kr/data/15095074/openapi.do) | | 농산물 가격과 수급 | 농수산: [KAMIS 농수축산물 유통 Open API](https://www.kamis.or.kr/customer/reference/openapi_list.do?action=detail\&boardno=1), 통계: [농업관측통계정보시스템](https://oasis.krei.re.kr/) | | 포털 계정으로 로그인 | 민간 플랫폼: [네이버 로그인 API](https://developers.naver.com/products/login/api/), [카카오 로그인](https://developers.kakao.com/docs/latest/ko/kakaologin/common) | 날씨는 [기상청 API허브](https://apihub.kma.go.kr/)에서, 대기질은 [에어코리아 실시간 대기오염정보](https://www.data.go.kr/data/15073861/openapi.do)에서 찾을 수 있다. 보건, 재난안전, 교육, 고용, 무역, AI와 쇼핑 분야도 포함한다. API 응답, 파일 데이터셋, 웹 통계 중 어떤 형태가 필요한지 먼저 정하면 탐색 범위가 줄어든다. 원자료 신청이나 데이터 상품 구매가 필요한 경우에는 포털 이용 절차를 확인한다. ## 이용 조건 확인하기 목록의 인증 표시는 접근 방식의 단서다. API Key나 OAuth 외에도 로그인, 별도 이용신청, 기관 승인, 제휴 협의가 필요한 리소스가 섞여 있다. 연동을 시작하기 전 제공자 문서에서 가격과 무료 구간, 호출 쿼터, 사용자 동의와 권한 범위, 데이터 갱신 주기, 응답 형식, 출처 표기와 재배포 조건을 확인한다. 브라우저에서 직접 호출할 계획이라면 CORS 지원 여부도 살핀다. 요구하는 데이터의 기준 시점과 단위를 확인하고, 작은 요청으로 응답 필드와 오류 처리를 점검한 뒤 서비스에 연결하는 편이 좋다. ## 출처와 갱신 기준 README에 적힌 마지막 업데이트는 2026년 11월 3일이고, 자료 확인일은 2026년 11월 7일이다. 아래 고정 커밋의 README와 글로벌 문서의 안내를 기준으로 정리했다. 개별 API 호출과 현재 요금은 검증하지 않았다. - [한국 서비스용 API와 데이터 리소스 목록](https://github.com/yybmion/public-apis-4Kr) - [고정 커밋의 README](https://github.com/yybmion/public-apis-4Kr/blob/e17cf09afe0acfc71d77ea3f7ba3476e804d0287/README.md) - [같은 목록의 영문 README](https://github.com/yybmion/public-apis-4Kr/blob/main/README_EN.md) - [글로벌 API 한국어 목록](https://github.com/yybmion/public-apis-4Kr/blob/main/GLOBAL_PUBLIC_APIS_KR.md) 글로벌 문서는 [public-apis/public-apis](https://github.com/public-apis/public-apis)를 한국어로 옮긴 번역 목록이다. 한국 서비스와 기관 데이터 탐색에는 4Kr 목록을 먼저 보고, 해외 서비스나 범용 개발 API는 글로벌 목록을 함께 찾아보면 된다. 함께 참고할 자료: [경제·금융 자료 찾아보기](https://www.readiz.com/llm-wiki/economic-research-topic-source-index/), [한국은행 경제자료 활용 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/). --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/52a5176d-26b5-4484-97da-920790898ec9" title: "루프 트랜스포머는 같은 가중치로 어떻게 더 깊게 계산할까" description: "같은 층을 반복해 토큰 내부의 계산 깊이를 늘리는 원리와, 성능과 비용 비교에서 놓치기 쉬운 조건을 정리합니다." kind: "record" published: "2026-11-02T12:21:05.180Z" tags: ["AI"] url: "https://www.readiz.com/records/loop-transformer-shared-weights-deeper-computation/" markdownUrl: "https://www.readiz.com/records/loop-transformer-shared-weights-deeper-computation/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 루프 트랜스포머는 같은 가중치로 어떻게 더 깊게 계산할까 언어 모델을 키우는 방법은 모델의 가중치와 학습 데이터를 늘리는 것만이 아니다. 답을 만들기 전에 추론 문장을 더 쓰게 할 수도 있고, 한 토큰을 출력하는 동안 모델 안에서 같은 계산 블록을 여러 번 돌게 할 수도 있다. 마지막 방법이 루프 트랜스포머다. 가중치 수를 크게 늘리지 않고 계산 단계를 추가한다는 점이 핵심이다. 파라미터 수와 계산 깊이라는 서로 다른 자원을 다시 배분하는 설계다. [YouTube: 4분만에 이해하는 LoopTransformer](https://www.youtube.com/watch?v=Ai9IHIKYMIc) ## 가중치를 늘리지 않고 계산을 반복한다 일반적인 트랜스포머는 서로 다른 층마다 별도의 가중치를 둔다. 네 층 모델이라면 층 1부터 층 4까지 각자 다른 규칙을 가진다. 입력이 그 층들을 순서대로 통과하며 표현을 바꾼다. 루프 모델에서는 여러 층의 묶음을 공유 코어로 정해 재사용한다. 예를 들어 고유한 층 네 개를 한 번씩 통과하는 대신, 가중치가 서로 다른 두 층을 두 번 통과할 수 있다. 두 방식은 계산을 네 번 수행하지만 저장하는 층 가중치는 네 세트와 두 세트로 다르다. 반복할 때마다 들어가는 상태는 달라지므로 같은 가중치가 매번 같은 출력을 내는 것도 아니다. ![일반 트랜스포머의 네 가중치 층과 루프 트랜스포머의 두 가중치 묶음 반복 비교](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/6bb47aaa-a126-4fe8-9cb0-81009887e6d2.webp) *일반 모델은 네 층에 네 가중치 묶음을 쓰고, 루프 모델은 두 묶음을 두 번 사용. [Robin, 0:54.5](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=54.5s)* [Huginn](https://arxiv.org/abs/2502.05171)처럼 입력을 먼저 처리하는 프렐류드, 반복하는 코어, 출력을 정리하는 코다로 나눈 설계도 있다. 이 모델은 프렐류드와 코다는 한 번 쓰고 코어를 반복한다. [Huginn 연구](https://arxiv.org/abs/2502.05171)는 반복 블록을 중심으로 한 35억 파라미터 모델을 설명한다. 이 모델은 8,000억 토큰으로 학습됐고 코어를 평균 32회 반복했다. ![프렐류드와 반복 코어, 코다로 이어지는 루프 트랜스포머 구조](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/5d2b38cf-dc2f-49da-80b9-8a1b8add60f9.webp) *입력 프렐류드에서 코어를 반복한 뒤 코다로 이어지는 구성. [Robin, 1:00](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=60s)* 핵심은 반복 횟수만큼 파라미터를 복제하는 것이 아니라, 현재 상태에 같은 함수를 다시 적용한다는 데 있다. 단순화해 쓰면 다음과 같다. $h_0 = \operatorname{Prelude}(x), \qquad h_{t+1}=\operatorname{Core}_{\theta}(h_t), \qquad y=\operatorname{Coda}(h_T)$ 여기서 $x$는 입력, $h_t$는 코어를 $t$번 지난 뒤의 내부 상태, $\theta$는 반복마다 공유하는 가중치다. $T$를 늘리면 가중치 수는 그대로인 채 상태를 변환하는 연산이 더 수행된다. 그래서 파라미터 규모와 한 토큰에 쓰는 계산량을 따로 살펴야 한다. ## 더 깊은 반복이 도움이 되는 조건 층을 한 번 더 통과한 상태에는 앞 단계의 계산 결과가 들어 있다. 새 층을 더해 다음 계산 규칙을 추가하는 대신, 이미 학습한 코어로 중간 상태를 거듭 다듬는 셈이다. 데이터에서 얻은 지식이 반복만으로 새로 저장되는 것은 아니다. 모델이 가진 정보를 더 많은 계산으로 조합할 여지가 생긴다. [Bansal 등의 2022년 연구](https://arxiv.org/abs/2202.05826)는 작은 미로에서 학습한 순환 합성곱 신경망을 반복시켜 더 큰 미로 문제를 푼 사례를 보였다. 영상에는 9×9 미로에서 30회 반복해 학습하고, 801×801 크기의 특정 미로에서 10,000회 반복해 푸는 예가 나온다. 원 논문 그림 19의 단일 미로 사례는 반복 횟수를 크게 늘려 계산을 이어가는 방식을 보여준다. ![9×9 미로에서 30회 학습하고 801×801 미로에 1만 회 반복을 적용한 영상의 예시](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/1506e246-116d-4993-b654-4bb93a30b23f.webp) *영상에서 소개한 미로 예시. 2022년 연구의 단일 사례이며 순환 합성곱 모델 결과. [Robin, 1:45.5](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=105.5s)* 추론 중 반복 횟수를 입력이나 토큰의 난도에 따라 바꾸는 설계도 있다. 모델이 충분히 계산했다고 판단하면 일찍 멈추고, 더 복잡한 상태에는 반복을 추가한다. 영상은 $17\times24=408$을 계산하는 예에서 쉬운 중간 단계와 어려운 단계를 구분해 설명한다. 이런 적응형 종료는 계산을 필요한 곳에 집중시키려는 방법이다. 반복을 끝내는 규칙은 모델과 추론 엔진의 구현에 달려 있다. 고정 횟수로 코어를 실행하는 방식과 토큰별 종료를 적용하는 방식이 모두 있다. ![17 곱하기 24를 반복 계산하며 중간 결과마다 종료 시점을 다르게 둔 예시](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/fb5fcdeb-a459-4121-9e66-6b26b2c992ee.webp) *토큰이나 계산 단계에 따라 반복을 일찍 끝내는 적응형 종료의 설명 예시. [Robin, 2:03](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=123s)* ## CoT와 내부 반복은 계산을 이어가는 위치가 다르다 Chain of Thought(CoT)는 풀이 과정을 텍스트 토큰으로 출력한다. “17에 20을 곱하고, 17에 4를 곱한 뒤 더한다”처럼 중간 단계를 문장으로 남길 수 있다. 루프 트랜스포머는 계산 단계를 모델 내부 상태에서 반복한다. 중간 단계를 내부 상태에서 이어가면서, 토큰 하나를 정하는 데 쓰는 연산을 추가한다. ![CoT의 텍스트 풀이와 루프의 내부 상태 반복을 나란히 그린 영상 설명](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/85bfdb6e-399d-42f9-89f6-86940dce7e0e.webp) *CoT는 풀이를 토큰으로 표현하고 루프는 내부 상태를 반복해서 갱신. [Robin, 2:29.5](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=149.5s)* CoT도 이전 토큰의 key와 value를 저장하는 KV 캐시를 사용한다. 루프 모델도 입력 문맥을 처리해야 하므로 문맥의 비용이 사라지는 것은 아니다. 내부 반복에서 어텐션을 계산하는 구조에서는 반복별 상태나 key/value가 추가 메모리를 차지할 수 있다. 캐시를 공유하거나 압축하는 방식과 구체적인 구현에 따라 사용량이 달라진다. CoT의 긴 출력은 토큰과 문맥을 늘리고, 루프의 깊이는 토큰마다 내부 계산을 늘린다. 두 방식을 함께 쓰는 것도 가능하다. ## 숫자는 무엇을 세었는지 먼저 봐야 한다 [Universal Transformer](https://arxiv.org/abs/1807.03819)는 2018년에 위치별 종료와 반복 계산을 제안했다. 이후 공개된 루프 언어 모델과 학습 토큰 규모는 커졌다. 2025년 공개된 [Huginn](https://arxiv.org/abs/2502.05171)은 35억 파라미터 모델을 8,000억 학습 토큰으로 학습한 사례를 보고했다. 같은 해 공개된 [Ouro](https://arxiv.org/abs/2510.25741)는 서로 다른 크기 설정으로 7조 7,000억 토큰을 학습했다. 2026년 공개된 [Nanbeige4.2-3B](https://arxiv.org/abs/2607.22083)는 임베딩을 제외한 30억 파라미터 모델과 28조 사전학습 토큰을 설명한다. 여기서 토큰 수는 각 모델의 학습 데이터 규모다. 2026년 10월 6일 기준 [공개 서베이](https://www.preprints.org/manuscript/202610.1404)는 7,323개 후보에서 핵심 논문 557편을 추렸고, 선정된 연구의 약 60%가 직전 12개월에 나왔다고 집계했다. 동료심사 전 공개된 서베이의 검색과 선별 범위 안에서 연구가 얼마나 빠르게 늘었는지 보여주는 수치다. 효율 비교에서는 무엇을 같게 맞췄는지가 결론을 바꾼다. 파라미터 수를 맞추면 반복 모델은 더 많은 계산을 써 더 낮은 손실을 얻을 수 있다. 계산량을 맞추면 같은 예산 안에서 새 가중치 층과 반복 횟수를 어떻게 배분했는지가 중요해진다. 학습 토큰 수만 맞춘 비교도 실제 추론 연산이나 생성 속도가 같다는 뜻은 아니다. 모델 크기, 학습량, 계산 예산, 평가 과제 중 무엇을 고정했는지 확인해야 한다. ![반복 블록 네 번과 기대 새 층 네 개의 효과를 비교한 영상 도식](https://www.readiz.com/assets/authored/52a5176d-26b5-4484-97da-920790898ec9/3f7ae639-218b-4669-850b-42cee954dca8.webp) *반복 깊이와 새 층의 효과를 비교한 영상 도식. [Robin, 3:06](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=186s)* [반복 모델 스케일링 연구](https://arxiv.org/abs/2604.21106)의 2026년 10월 28일 v4에는 이를 보여주는 환산 예시가 있다. 고유 파라미터가 약 4.1억 개(410M)인 4회 반복 모델은, 스케일링 법칙이 예측하는 검증 손실에서 약 5.8억 개(580M)인 일반 모델과 비슷하다. 같은 폭과 유효 깊이를 기준으로 하면 토큰당 학습 연산은 약 10억 파라미터(1B) 일반 모델 수준이다. 저장하는 가중치는 줄지만, 반복에 드는 계산은 계속 지불하는 구조다. 이 수치는 논문의 적합식과 구조 비율로 산출한 예시이며 실제 GPU 지연이나 운영비는 별도로 측정할 지표다. 학습 때보다 추론 반복을 늘릴 때 성능이 어떻게 바뀌는지도 과제와 모델에 따라 다르다. 앞의 미로 연구는 학습 때 30회보다 훨씬 많은 10,000회 반복으로 단일 예제를 풀었다. [Huginn](https://arxiv.org/abs/2502.05171)에서도 추론 반복 횟수와 점수의 관계가 벤치마크에 따라 달랐다. [서베이](https://www.preprints.org/manuscript/202610.1404)가 정리한 수학 과제에는 학습 중 반복보다 추론 반복을 늘렸을 때 성능이 낮아진 결과도 있다. 반복 횟수와 성능의 관계는 해당 모델과 평가 과제의 조건을 함께 놓고 읽어야 한다. 영상은 일부 대형 모델이 두 번 반복을 선택한 사례를 소개한다. 이는 해당 모델의 계산 제약과 성능 목표에 맞춘 운용점이다. 반복마다 계산량이 늘어나므로 정확도, 지연 시간, 메모리, 배치 크기와 하드웨어 처리량을 함께 비교해야 한다. ## 내부 추론을 어떻게 확인할까 내부 상태에서 계산을 더 수행하면 텍스트로 남는 추론 흔적이 짧아질 수 있다. 이를 다룬 감시 가능성 연구가 나왔다. [2026년 10월 공개된 감시성 연구](https://arxiv.org/abs/2610.02741)는 8개 과제의 스트레스 테스트 중 일부에서 반복 깊이가 커질 때 CoT 감시성이 낮아지는 사례를 보고했다. 동시에 모델 크기와 깊이를 맞춘 일반 모델과 비교하면 루프 모델이 체계적으로 더 나쁘다는 증거는 찾지 못했다. 반복 깊이가 텍스트로 드러나는 정보와 감시 결과를 어떻게 바꾸는지, 과제와 비교 모델을 맞춰 평가한 결과다. 영상은 2026년 9월 프론티어 모델에 이 방식이 쓰였다는 보도를 언급한다. 이 대목의 근거는 영상이 소개한 보도에 한정된다. [Robin, 3:27](https://www.youtube.com/watch?v=Ai9IHIKYMIc\&t=207s) 루프 트랜스포머의 장점은 적은 가중치로 더 깊은 계산을 구성할 수 있다는 점이다. 그 대가로 추론 연산과 반복 상태 관리가 필요하다. 성능 비교에서는 파라미터만 보거나 반복 횟수만 세면 부족하다. 같은 데이터와 계산 예산에서 어떤 과제를 얼마나 잘 풀었는지, 그 결과를 얻는 동안 지연과 메모리를 얼마나 썼는지도 함께 살펴야 한다. 같은 층을 반복한다는 발상은 계산 깊이를 조절하는 유용한 선택지지만, 실제 이점은 이 조건을 맞춰 본 비교에서 결정된다. --- --- id: "authored/a1ec6090-18a3-437c-86aa-1f96d91cd8d0" title: "루프 트랜스포머의 반복 깊이와 효율 비교 자료" description: "반복 깊이 모델의 구조, 공개 연구의 실험 조건과 해석 범위를 정리합니다." kind: "llm-wiki" published: "2026-11-02T11:20:56.338Z" tags: ["AI"] url: "https://www.readiz.com/llm-wiki/looped-transformers-recurrent-depth-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/looped-transformers-recurrent-depth-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # 루프 트랜스포머의 반복 깊이와 효율 비교 자료 ## 개념과 구조 루프 트랜스포머(루프 언어 모델)는 하나 이상의 변환 블록을 반복 호출해 내부 계산 깊이를 늘리는 계열이다. 공유 블록 가중치를 $\theta$라 하면 상태는 $h_{t+1}=F_\theta(h_t,x)$로 표현할 수 있다. 반복마다 파라미터 집합이 복제되지는 않지만, 상태 $h_t$와 입력 문맥 $x$에 대한 계산은 이어진다. Huginn처럼 입력 프렐류드를 한 번 적용하고 코어 블록을 반복한 뒤, 코다를 한 번 적용하는 구성도 있다. 다른 모델에서는 반복하는 층 범위가 달라질 수 있다. 반복 구조의 직접적인 선행 사례 중 하나는 [Universal Transformer](https://arxiv.org/abs/1807.03819)다. 2018년 공개되어 ICLR 2019에 발표됐으며, 위치별 적응 종료를 포함한 반복 계산을 제안했다. [원문 PDF](https://arxiv.org/pdf/1807.03819). ## 공개 모델과 학습 토큰의 범위 - [Huginn: Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach](https://arxiv.org/abs/2502.05171), 2025년 2월 공개. 35억 파라미터 모델과 8,000억 학습 토큰, 평균 약 32회 반복 학습을 보고한다. [원문 PDF](https://arxiv.org/pdf/2502.05171). Huginn은 과제별로 추론 반복과 성능 관계가 다르다. - [Ouro: Scaling Latent Reasoning via Looped Language Models](https://arxiv.org/abs/2510.25741), 2025년 10월 공개. 14억과 26억 파라미터 설정, 총 7조 7,000억 학습 토큰을 다룬다. [원문 PDF](https://arxiv.org/pdf/2510.25741). 각 수치는 설정한 모델 크기와 학습 토큰 수로 나누어 인용한다. - [Nanbeige4.2-3B: Unlocking Agentic Capabilities in a Compact Model](https://arxiv.org/abs/2607.22083), 2026년 7월 공개. 임베딩을 제외한 30억 파라미터와 28조 사전학습 토큰을 보고한다. [원문 PDF](https://arxiv.org/pdf/2607.22083). 학습 토큰은 학습량이고 파라미터는 저장된 가중치 규모다. 추론 반복은 한 토큰을 만들 때 추가되는 계산 깊이를 나타낸다. ## 효율 결과를 읽는 비교 조건 | 고정하는 조건 | 비교가 답하는 질문 | 해석할 때 함께 볼 것 | | ---------- | ------------------------------- | ----------------------- | | 파라미터 수 | 저장 규모가 비슷할 때 반복 계산으로 얻는 성능 변화 | 반복으로 추가된 계산과 데이터, 평가 손실 | | 총 추론 FLOPs | 같은 계산 예산에서 새 층과 공유 반복을 어떻게 배분할지 | 토큰당 연산과 시퀀스 길이, 평가 과제 | | 학습 토큰 수 | 비슷한 학습량에서 학습 효율이 어떻게 달라지는지 | 고유 가중치와 반복 횟수, 학습 FLOPs | | 학습 후 추론 반복 | 학습 때보다 반복을 늘려도 일반화하는지 | 과제별 점수 변화, 추론 예산과 종료 규칙 | [How Much Is One Recurrence Worth? Iso-Depth Scaling Laws for Looped Language Models](https://arxiv.org/abs/2604.21106)는 1, 2, 4, 8회 반복 설정으로 116회 사전학습 실험을 수행했다. [원문 PDF](https://arxiv.org/pdf/2604.21106). 검증 손실과 유효 깊이, 계산 예산 중 무엇을 맞추는지에 따라 반복 모델의 상대 성능이 달라진다. 2026년 10월 28일 v4의 예시에서는 고유 파라미터 약 4.1억 개(410M)인 4회 반복 모델이, 예측 검증 손실에서 약 5.8억 파라미터(580M) 일반 모델과 동등하다. 같은 폭과 유효 깊이를 기준으로 한 토큰당 학습 연산은 약 10억 파라미터(1B) 일반 모델 수준이다. 이 값은 적합식과 구조 비율에 따른 환산이다. 모델 지연과 전력은 별도 운영 지표다. 이 v4는 10월 18일 영상 게시 뒤 갱신된 버전이다. [연구 부록](https://kschwethelm.github.io/looped-lm-scaling/)에서 데이터와 환산 조건을 확인한다. [2026년 공개 반복 모델 서베이](https://www.preprints.org/manuscript/202610.1404)는 2026년 10월 6일 기준 7,323개 후보 중 557편을 검토 대상으로 정하고, 선별된 557편 중 약 60%가 2026년 10월 6일 이전 12개월에 발표된 자료로 분류됐다. 이 서베이는 동료심사 전 공개본이다. 비교 결과는 데이터, 파라미터와 FLOPs 중 어떤 조건을 맞추는지에 따라 달라지며, 학습 뒤 반복을 늘린 결과도 과제별로 나뉜다. ## 반복 횟수 밖에서 일반화할 때 Bansal 외의 [End-to-end Algorithm Synthesis with Recurrent Networks: Logical Extrapolation Without Overthinking](https://arxiv.org/abs/2202.05826)은 2022년 2월 공개되어 같은 해 10월 개정됐다([원문 PDF](https://arxiv.org/pdf/2202.05826)). 순환 합성곱 신경망을 이용한 미로 탐색을 다룬다. 논문 그림 19에는 9×9 미로에서 30회 반복으로 학습한 모델을 801×801의 한 시험 미로에 10,000회 반복해 적용한 사례가 있다([원 논문 그림 19](https://openreview.net/references/pdf?id=TW06BK4RkU)). Huginn은 벤치마크에 따라 학습 반복 깊이와 추론 반복 증가의 관계가 달랐다. [서베이](https://www.preprints.org/manuscript/202610.1404)가 모은 결과에도 추론 반복이 늘면서 점수가 낮아진 수학 과제가 포함된다. 모델과 과제에 따른 평가 결과를 함께 정리하면, 추론 반복의 효과가 성능 향상과 저하 양쪽으로 나타난다. ## 추론 비용과 감시 가능성 CoT는 풀이 단계를 출력 토큰으로 기록하며, 이 토큰은 일반 문맥과 함께 KV 캐시에 들어간다. 반복 모델도 원래 입력 문맥을 처리한다. 반복마다 어텐션이 계산되는 구조는 각 반복의 표현 또는 KV 상태를 유지할 수 있다. CoT와 반복 깊이는 한 모델 안에서 함께 쓰일 수 있다. 실제 지연과 메모리는 캐시 구성, 토큰 수, 시퀀스 길이와 구현을 기준으로 측정한다. 2026년 10월 2일 공개된 [On the Chain-of-Thought Monitorability of Looped Language Models](https://arxiv.org/abs/2610.02741)은 8개 과제에서 표준 조건과 스트레스 조건을 평가했다. 일부 조건에서 반복 깊이가 커질 때 CoT 감시성이 낮아지는 결과를 보고했다. 모델 크기와 깊이를 맞춘 비루프 모델과 비교했을 때 루프 모델이 체계적으로 더 나쁘다는 증거는 찾지 못했다. [원문 PDF](https://arxiv.org/pdf/2610.02741). 연구 범위는 해당 과제와 시험 조건에 한정된다. 텍스트 CoT 자체가 모델의 모든 내부 원인을 충실히 기록한다고 간주해서도 안 된다. ## 기존 자료와 연결 기존 [AI 서빙의 지연과 용량을 읽는 법](https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/)은 일반적인 KV 캐시와 지연 개념을 다룬다. 이 문서는 반복 깊이 논문을 찾고 비교하는 안내 문서로 활용한다. 실제 모델을 평가할 때는 대상 논문의 개정 버전, 공개 가중치 구성, 생성 설정과 추론 엔진의 캐시 전략을 다시 확인한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43" title: "LLM 서빙의 성능은 요청과 메모리를 다루는 방식에서 갈린다" description: "KV 캐시, 요청 스케줄링, speculative decoding과 GPU 커널이 LLM 서빙의 지연과 처리량에 미치는 영향을 설명한다." kind: "record" published: "2026-11-02T04:15:53.146Z" tags: ["AI","GPU","성능 최적화"] url: "https://www.readiz.com/records/llm-serving-requests-memory-kv-cache/" markdownUrl: "https://www.readiz.com/records/llm-serving-requests-memory-kv-cache/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # LLM 서빙의 성능은 요청과 메모리를 다루는 방식에서 갈린다 LLM 서빙 서버는 여러 사용자의 요청이 하나의 모델과 GPU 메모리를 함께 쓰는 방식을 관리한다. 들어온 요청을 큐에 두고, 현재 GPU가 처리할 묶음을 고른다. 모델은 각 요청의 입력과 이전에 계산해 둔 상태를 읽어 다음 토큰의 점수를 만든다. 샘플러가 그 점수에서 토큰을 고르면, 서버는 토큰을 사용자에게 보내고 그 상태를 다음 계산에 이어 쓴다. [YouTube: How LLM Serving Actually Works](https://www.youtube.com/watch?v=T4SRu-trimA) Jia-Bin Huang의 「How LLM Serving Actually Works」(2026년 11월 2일)는 이 과정을 요청 큐, 스케줄러, 모델과 KV 캐시, 샘플러, 스트리밍으로 나누어 설명한다. 이 흐름을 따라가면 서빙의 성능 문제가 어디에 생기는지 보인다. GPU 계산만 빨라져도 대기열이 길거나, 같은 접두부를 매번 다시 계산하거나, 요청을 담을 메모리가 부족하면 사용자가 받는 응답은 늦어진다. 모델을 여러 요청이 함께 쓰도록 묶으면서도 각 요청이 기다리는 시간을 지키는 설계가 필요하다. ![요청 큐에서 스케줄러, 모델과 KV 캐시, 샘플러를 거쳐 출력으로 이어지는 LLM 서빙 경로](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/c9cfec87-24be-464d-90b2-2038879a0028.webp) *요청을 묶는 스케줄러와 모델의 KV 캐시, 다음 토큰을 고르는 샘플러. [Jia-Bin Huang, 41:30](https://www.youtube.com/watch?v=T4SRu-trimA\&t=2490s)* ## 자기회귀 생성은 KV 캐시를 길게 만든다 일반적인 decoder-only LLM은 토큰을 한 번에 하나씩 만든다. 현재까지의 토큰으로 다음 토큰을 예측하고, 선택한 토큰을 문맥에 붙여 다시 실행한다. 완성된 응답이 나오기까지 이 과정을 반복한다. 어텐션의 각 층은 입력 토큰의 표현을 변환해 Query, Key, Value를 만든다. Query는 현재 위치가 찾는 정보, Key는 각 위치를 비교할 기준, Value는 그 위치에서 가져올 정보에 해당한다. 현재 Query와 과거 Key의 점수로 가중치를 정하고, 그 가중치로 Value를 합쳐 문맥 정보를 얻는다. 다음 토큰을 처리할 때 과거 토큰의 Key와 Value는 바뀌지 않는다. 인과적 어텐션에서는 과거 토큰이 미래 토큰을 보지 않으므로, 과거 위치에서 만든 K와 V를 다음 스텝에 다시 쓸 수 있다. 이 저장 공간을 KV 캐시라고 한다. 매번 문장 처음부터 모든 K와 V를 다시 만들지 않게 해 주지만, 새 토큰이 길어진 문맥의 캐시를 읽는 비용까지 없애 주지는 않는다. ![현재 위치의 Query로 앞선 Key의 점수를 구하고 Value를 합치는 어텐션](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/b3302c46-53f8-44b9-af17-516d8beddee6.webp) *한 층에서 현재 위치가 앞선 토큰의 정보를 참조하는 어텐션 도식. [Jia-Bin Huang, 3:50](https://www.youtube.com/watch?v=T4SRu-trimA\&t=230s)* 캐시 크기는 토큰 수와 모델의 층, KV 헤드 수, 헤드 차원, 원소 정밀도에 따라 커진다. 예를 들어 Meta가 공개한 Llama 3.1 8B 구성은 32개 층, 8개 KV 헤드, 4,096차원과 32개 Query 헤드를 가진다. 헤드 차원은 4,096 ÷ 32 = 128이다. BF16을 사용해 K와 V를 각각 2바이트로 저장한다고 단순 계산하면 토큰 하나의 KV 크기는 다음과 같다. $$ \begin{aligned} 32 \times 2 \times 8 \times 128 \times 2 &= 131{,}072\ \text{bytes} \\ &=128\ \text{KiB} \end{aligned} $$ 따라서 131,072개 토큰의 캐시만으로 16GiB가 든다. 이 계산에는 모델 가중치와 임시 작업 공간, 캐시 블록의 남는 부분이 포함되지 않는다. 실제 서버에서 필요한 GPU 메모리는 더 크며, 캐시 정밀도와 동시 요청 수, 문맥 길이에 따라 달라진다. 8B라는 파라미터 수만 보고 서비스에서 동시에 처리할 수 있는 요청 수를 알 수 없는 이유다. [Meta의 공개 모델 설정](https://github.com/meta-llama/llama-models/blob/main/models/sku_list.py) ![Llama 3.1 8B에서 토큰당 KV 메모리 크기를 계산하는 영상 장면](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/829d6702-4ac1-415f-861c-bd330eae046c.webp) *Llama 3.1 8B의 KV 크기 계산. 원본의 128 KB 표기는 계산상 128 KiB. [Jia-Bin Huang, 5:50](https://www.youtube.com/watch?v=T4SRu-trimA\&t=350s)* ## 입력을 읽는 단계와 답을 이어 쓰는 단계는 병목이 다르다 프롬프트를 처음 처리하는 단계는 prefill이다. 이때는 입력 토큰 여러 개를 함께 계산하므로 GPU의 행렬 연산을 넓게 활용할 수 있다. 한 번에 토큰 하나를 더하는 decode 단계에서는 각 활성 요청에 다음 토큰을 생성한다. 작은 배치에서는 연산량에 비해 모델 가중치와 KV 캐시를 메모리에서 읽는 비용이 커져 대역폭에 막히는 일이 많다. 긴 문맥일수록 새 토큰을 만들 때 읽어야 하는 과거 KV도 늘어난다. 영상은 이 차이를 가중치 16GB인 모델과 H100의 피크 성능으로 단순화해 보여 준다. 입력 1,000개를 함께 처리하면 같은 가중치를 읽어 약 16 TFLOP의 계산을 하지만, 토큰 하나를 처리할 때는 약 16 GFLOP만 계산한다. 그림의 메모리 대역폭 3.35 TB/s와 연산 성능 989 TFLOPS를 그대로 대입하면 가중치를 읽는 데 약 4.8ms, 연산에는 각각 약 16ms와 0.016ms가 필요하다. 이는 가중치 읽기와 연산량을 비교한 이론 예시이며, 작은 decode 배치에서 메모리 읽기가 시간을 지배하는 이유를 보여 준다. ![H100의 피크 성능과 16GB 가중치를 가정해 prefill과 decode의 연산량을 비교한 도식](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/5ea562a6-e3cf-4f00-bf9d-e3169bcb80aa.webp) *H100 피크 성능과 가중치 16GB, 입력 1,000개와 출력 한 토큰을 가정한 이론 비교. [Jia-Bin Huang, 6:58](https://www.youtube.com/watch?v=T4SRu-trimA\&t=418s)* 실제 병목은 배치 크기, 문맥과 출력 길이, 하드웨어, 모델 구현에 따라 움직인다. 여러 요청을 묶으면 가중치 한 번 읽기로 더 많은 토큰을 계산할 수 있다. 프로파일러에서는 GPU 연산량, 메모리 전송과 커널 사이의 빈 시간을 나누어 보고 어느 비용을 줄일지 정한다. 첫 토큰까지의 시간인 **TTFT**는 prefill 시간만을 뜻하지 않는다. 지표를 어디서 재기 시작하고 멈췄는지에 따라 요청 대기, 네트워크 이동과 스케줄러의 지연도 포함될 수 있다. **TPOT**는 출력 중 토큰 하나를 만드는 데 걸리는 시간을 나타내고, **ITL**은 인접한 출력 토큰 사이의 간격을 나타낸다. 같은 이름으로 보고된 숫자라도 스트리밍 방식과 측정 구간을 먼저 확인해야 사용자 경험과 비교할 수 있다. ## 배치는 처리량을 높이고, 스케줄러는 대기 시간을 조절한다 GPU가 여러 요청을 한 배치로 처리하면 가중치를 함께 사용해 총 처리량을 높일 수 있다. 정적 배치는 시작할 때 모인 요청을 끝까지 묶어 둔다. 출력이 짧은 요청이 먼저 끝나면 그 자리가 비어 있어도 다른 요청이 끝날 때까지 활용하기 어렵다. Continuous batching은 토큰을 생성하는 단계마다 배치를 다시 구성한다. 응답을 마친 요청을 빼고 대기 중인 요청을 넣어 GPU의 빈 자리를 줄인다. 하지만 어떤 요청을 먼저 넣을지 정하면 응답 시간의 분포가 바뀐다. 오래 기다린 요청을 먼저 처리하면 공정성에 도움이 되고, 끝에 가까운 요청을 더 밀어 주면 일부 요청의 완료 시간을 줄일 수 있다. ![완료된 요청 C의 슬롯에 대기 중인 요청 E를 넣는 continuous batching](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/040907a3-6de2-4d54-8737-319ce57cd112.webp) *C가 끝난 자리에 E가 들어온 첫 교체 단계. [Orca, OSDI 2022](https://www.usenix.org/conference/osdi22/presentation/yu). [Jia-Bin Huang, 9:15](https://www.youtube.com/watch?v=T4SRu-trimA\&t=555s)* 긴 프롬프트의 prefill을 한 번에 실행하면 이미 토큰을 생성하던 요청들이 다음 토큰을 기다릴 수 있다. **Chunked prefill**은 입력을 조각내 decode 작업과 번갈아 처리한다. 입력 전체를 읽는 시간과 이미 생성 중인 요청의 토큰 간격 사이에서 균형을 잡는다. 청크 크기와 스케줄링 기준은 실제 입력 길이와 지연 목표를 보며 정해야 한다. ![긴 prefill을 조각내 A와 B와 C의 decode 사이에 배치한 스케줄링](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/ab4d5841-32b1-4df7-bc66-a507c85f69cc.webp) *기존 요청의 decode 사이에 새 입력의 청크를 배치한다. 그림의 원자료는 Sarathi-Serve, OSDI 2024. [Jia-Bin Huang, 10:20](https://www.youtube.com/watch?v=T4SRu-trimA\&t=620s)* 일부 시스템은 prefill과 decode를 서로 다른 GPU 워커에서 처리한다. 이 분리 서빙은 입력 길이와 출력 길이가 다른 작업을 각각 맞춰 확장하기 쉽다. 대신 prefill 결과인 KV 상태를 다음 워커로 옮겨야 하므로 네트워크 대역폭과 전송 시간이 추가된다. 분리 전후를 비교할 때는 TTFT만이 아니라 생성 중 TPOT와 전송 비용, 전체 처리량도 함께 본다. DistServe 연구도 두 지연 목표를 충족한 요청의 처리량, 즉 goodput을 기준으로 비교한다. [DistServe 논문](https://arxiv.org/abs/2401.09670) ## KV 캐시를 쪼개 두면 빈 공간과 재사용을 관리할 수 있다 요청마다 앞으로 생성될 최대 길이만큼 연속된 메모리를 미리 예약하면 실제 응답이 짧을 때 공간이 남는다. 반대로 필요한 만큼 계속 이어 붙이는 방식은 메모리가 조각나 빈 공간을 활용하기 어려워질 수 있다. PagedAttention은 KV를 고정 크기의 블록으로 나누어 필요한 만큼 할당한다. 요청의 토큰 순서는 논리 블록 번호로 보관하고, 블록 테이블이 각 논리 번호를 GPU 메모리의 실제 위치에 연결한다. 그 결과 캐시가 연속된 큰 메모리 구역을 요구하지 않아도 된다. 요청이 늘면서 블록을 붙이고, 접두부가 같은 요청끼리 이미 계산한 블록을 공유할 수도 있다. 블록 안의 마지막 미사용 칸이나 시스템 작업 공간처럼 일부 낭비는 남는다. [vLLM의 PagedAttention 논문](https://arxiv.org/abs/2309.06180) ![논리 KV 블록의 순서와 GPU의 실제 메모리 블록을 연결한 PagedAttention](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/ecd42827-4c5c-4c6a-9962-e005dfce7ce0.webp) *요청의 블록 순서는 블록 테이블이 유지하고 실제 저장 위치는 나누어 할당한다. [Kwon 외, SOSP 2023](https://arxiv.org/abs/2309.06180). [Jia-Bin Huang, 14:20](https://www.youtube.com/watch?v=T4SRu-trimA\&t=860s)* GPU 메모리가 부족해지면 서버는 요청을 일시 중단하거나 캐시를 다른 계층으로 내보낼 수 있다. 중단 후 다시 실행하는 정책에서는 캐시를 다시 계산하는 비용이 생기고, CPU 메모리나 외부 저장 장치로 옮기는 정책에서는 전송 비용이 든다. 선택은 캐시 크기와 장치 사이의 대역폭, 요청이 다시 도착할 때까지의 시간에 따라 달라진다. ## 반복되는 접두부를 찾으면 같은 계산을 아낄 수 있다 시스템 프롬프트, 자주 쓰는 지침, 같은 문서로 여러 번 대화하는 에이전트는 공통된 앞부분을 가진 요청을 만든다. 그 접두부의 KV가 남아 있으면 서버는 이를 다시 쓸 수 있다. 재사용은 앞에서부터 토큰열이 같은 구간에서 이뤄진다. vLLM은 앞선 블록의 해시와 현재 블록의 토큰을 이어 만든 키로 캐시를 찾고, 완전히 채워진 블록 단위로 재사용한다. 앞 블록의 해시를 포함하므로 중간 문구가 같아도 앞 문맥이 다른 경우를 구별할 수 있다. LoRA와 멀티모달 입력, 사용자 격리용 salt 같은 추가 조건도 키에 반영한다. [vLLM의 prefix caching 설계](https://docs.vllm.ai/en/v0.32.0/design/prefix_caching/) ![이전 블록의 해시와 현재 토큰을 이어 접두부 캐시를 찾는 vLLM 도식](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/7f303b24-7c2f-4078-abd0-2c804fddaaf6.webp) *앞 문맥의 해시를 다음 블록에 이어 같은 접두부를 식별한다. [Jia-Bin Huang, 17:20](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1040s)* SGLang은 공통 접두부를 radix tree에 저장한다. 가지가 나뉘기 전의 KV를 여러 요청이 공유하고, 새 요청에서 가장 긴 일치 접두부를 찾는다. 메모리를 비워야 하면 참조 중인 노드는 보호하고, 공유 자식이 없는 말단부터 최근 사용 시점을 기준으로 내보낸다. GPU 캐시를 CPU 메모리와 외부 저장 계층으로 늘리는 HiCache도 계층 사이의 복사 비용을 함께 따져야 한다. [SGLang 논문](https://arxiv.org/html/2312.07104) [SGLang HiCache 안내](https://www.sglang.io/blog/hicache) ![공통 토큰 접두부가 radix tree의 경로를 공유하고 다른 입력에서 가지가 갈라지는 도식](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/378cd456-7395-4509-8f08-949e523d5396.webp) *새 요청이 기존 경로와 어디까지 일치하는지 찾는 radix tree. [Jia-Bin Huang, 18:40](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1120s)* 입력이 A와 B의 접두부를 번갈아 포함하고 캐시에 둘 중 하나만 들어갈 수 있다면, 매번 다른 쪽으로 넘어갈 때 먼저 계산한 KV가 밀려난다. 이처럼 반복 요청이 캐시 용량과 맞지 않아 재계산을 일으키는 현상을 prefix thrashing이라고 한다. 같은 접두부를 공유하는 요청을 묶어 처리하면 중복 계산을 줄일 수 있지만, 뒤로 밀린 요청이 너무 오래 기다릴 수 있다. 영상은 캐시에 접두부 하나만 들어가고, 처음에는 C가 남아 있는 예를 든다. 대기열이 `A, B, C, A, C, B, A, B, C`이면 다음 요청이 올 때마다 캐시를 바꾸므로 접두부를 9번 계산한다. 순서를 `C, C, C, A, A, A, B, B, B`로 바꾸면 C는 기존 캐시를 쓰고 A와 B를 처음 만났을 때만 계산한다. 추가 접두부 계산은 2번으로 줄어든다. 요청의 내용과 캐시 크기는 같고 실행 순서만 달라진 것이다. ![접두부 하나만 저장되는 캐시에서 A와 B와 C 요청을 섞어 9번 재계산하는 예](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/61e186ad-b303-4596-b1fa-909e2dc6b198.webp) *처음 C가 캐시에 있던 예에서, 요청이 섞인 순서는 접두부를 9번 계산한다. [Jia-Bin Huang, 21:40](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1300s)* ![이미 캐시된 C 요청부터 같은 접두부끼리 묶어 추가 계산을 2번으로 줄인 예](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/df8d90a0-f53b-4cd9-9c77-b98bfd22893a.webp) *같은 초기 조건에서 C를 먼저 묶고 A와 B를 이어 처리하면 추가 계산은 2번. [Jia-Bin Huang, 22:30](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1350s)* SGLang 논문은 미리 주어진 요청 배치와 가장 긴 요청을 담을 수 있는 캐시를 전제로, radix tree를 깊이 우선 순서로 방문하면 최적 캐시 적중률을 얻는다고 증명한다. 실시간 서비스에서는 새 요청이 도착하고 출력 길이도 달라지므로 이 재사용 이득과 오래 기다린 요청의 우선순위를 함께 조정해야 한다. 논문의 벤치마크 결과는 최적 적중률 대비 평균 96%에 도달했고, 여러 최적화를 합친 처리량 개선은 당시 비교에서 최대 6.4배였다. [SGLang 원 논문](https://arxiv.org/html/2312.07104) ## 정해진 형식은 문법으로, 빠른 생성은 검증으로 돕는다 JSON처럼 출력 형식이 정해져 있다면 허용된 문법에 맞는 다음 토큰만 샘플링하도록 마스킹할 수 있다. 이 방식은 쉼표나 괄호를 잘못 놓는 형식 오류를 줄인다. XGrammar 같은 도구는 문법 상태와 토크나이저가 만드는 여러 토큰 경계를 함께 처리한다. 예를 들어 `grade` 값을 A, B, C, D 중 하나로 제한할 수 있다. 어떤 등급이 내용에 맞는지는 모델의 판단과 애플리케이션의 검증이 맡는다. [XGrammar의 constrained decoding 안내](https://xgrammar.mlc.ai/docs/latest/start/constrained_decoding.html) 문법의 어떤 상태에서 다음 문자열이 하나로만 결정된다면 그 고정 구간을 묶어 처리할 수 있다. 예를 들어 스키마에서 첫 필드가 정해져 있으면 `{"summary": "`를 채우는 동안은 선택할 내용이 없다. SGLang의 compressed FSM은 이렇게 갈림길 없는 전이를 합쳐 다음 분기까지 jump-forward한다. 묶은 문자열을 한 번의 모델 실행에서 처리해 KV 상태를 이어 만들고, 실제 내용을 고를 지점에서 다시 샘플링한다. 문자열과 모델 토큰의 경계가 다를 수 있어 경계에서 토큰화를 맞추는 처리도 필요하다. [SGLang의 compressed FSM 설명](https://arxiv.org/html/2312.07104#S4) ![JSON의 고정 문자열을 일반 FSM의 네 번 실행에서 compressed FSM의 한 번 실행으로 묶는 예](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/9db1fca4-4b1b-4004-bc6f-b9a5bed5e2a4.webp) *고정 문자열을 한 번에 처리하는 compressed FSM의 설명 예제. [Jia-Bin Huang, 26:05](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1565s)* Speculative decoding은 후보 토큰을 빨리 만들어 큰 모델의 계산을 아끼려는 방법이다. 작은 draft 모델이나 n-gram proposer가 후보를 내고, target 모델은 그 후보들을 한 번에 검증한다. 검증에 통과한 연속 토큰을 받아들이고, 거절 지점에서는 target 분포에 맞춘 대체 토큰을 고른 뒤 proposer를 다시 실행한다. 확률적 생성에서 적절한 rejection sampling으로 채택과 거절 시의 분포를 보정하면 원래 target 모델의 출력 분포를 유지할 수 있다. Medusa처럼 여러 출력 head를 두거나, EAGLE처럼 중간 표현으로 후보를 만들거나, n-gram으로 이미 입력에 있는 조각을 후보 삼는 방법은 후보를 만드는 방식이 다르다. 높은 채택률은 유리하지만 proposer 계산도 공짜는 아니다. 배치가 커져 target GPU가 충분히 바쁠 때는 후보 계산과 검증으로 절약하는 시간이 줄 수 있어 accepted token 수, 검증 비용과 함께 재야 한다. [vLLM의 speculative decoding 문서](https://docs.vllm.ai/en/latest/features/speculative_decoding/) ![draft 모델이 만든 후보 중 세 토큰을 채택하고 다음 후보를 거절하는 target 검증](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/c9ab1d42-9be9-43d5-b7dd-d2821afb6923.webp) *제안한 후보를 target 모델이 검증해 앞의 세 토큰을 연속 채택한다. [Leviathan 외, ICML 2023](https://proceedings.mlr.press/v202/leviathan23a.html). [Jia-Bin Huang, 27:20](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1640s)* ## GPU 메모리 왕복과 CPU 호출을 줄이는 커널 기법 어텐션의 중간 점수 행렬을 통째로 GPU 메모리에 쓰고 다시 읽으면 긴 문맥에서 메모리 이동이 커진다. FlashAttention은 Query, Key, Value를 타일 단위로 가져와 GPU 안쪽의 빠른 메모리에서 계산하고, online softmax로 정규화에 필요한 값을 누적한다. 결과를 만드는 수학적 연산을 바꾸지 않으면서 중간 행렬의 메모리 왕복을 줄이는 접근이다. 실제 KV를 페이지로 나누어 저장하는 서빙에서는 이 블록을 읽는 구조에 맞춘 커널이 필요하다. [FlashAttention 논문](https://arxiv.org/abs/2205.14135) ![Q와 K와 V를 타일로 처리하고 on-chip 메모리에 running max와 sum을 유지하는 FlashAttention](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/d20d6c30-3d11-48d5-963c-b3abe2d0c869.webp) *작은 on-chip 메모리에서 타일별 계산과 online softmax를 이어 가는 과정. [Dao 외, NeurIPS 2022](https://arxiv.org/abs/2205.14135). [Jia-Bin Huang, 30:18](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1818s)* GPU 커널이 짧게 끝나는 모델에서는 CPU가 다음 커널을 실행하라고 부르는 비용이 전체 시간에서 눈에 띌 수 있다. CUDA Graph는 반복할 실행을 미리 캡처한 뒤 그래프 호출 하나로 재생해 CPU launch 비용을 줄인다. 그 대신 캡처 과정에서 사용하는 메모리 주소와 텐서 형태가 고정되어야 한다. 배치가 달라지는 요청은 미리 정한 크기에 맞춰 padding하거나 별도의 실행 경로를 두어야 하며, 빈칸에 넣은 계산이 이득을 줄일 수도 있다. 영상에서 5개 요청을 크기 8 그래프에 padding한 그림은 이 선택을 보여 준다. ![CPU 호출 한 번으로 GPU 작업을 실행하고 다섯 요청을 batch 8에 padding하는 CUDA Graph](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/13753ec5-7fdc-42ff-9022-b467dd70971f.webp) *크기가 고정된 그래프를 재생하기 위해 요청 5개를 batch 8에 맞춘 예. [Jia-Bin Huang, 32:10](https://www.youtube.com/watch?v=T4SRu-trimA\&t=1930s)* GPU 내부에서 이어서 실행하는 작은 연산을 한 커널로 합치는 fusion은 중간 메모리 저장과 커널 호출을 줄이는 별도 기법이다. CPU가 다음 계산을 준비하는 동안 GPU가 이미 준비된 일을 하게 겹치는 scheduling도 두 프로세서의 빈 시간을 줄인다. 가중치와 KV를 낮은 비트 수로 저장하는 양자화는 메모리 사용량과 이동량을 줄일 수 있다. 모델의 수치 품질과 사용할 커널이 실제로 그 정밀도를 빠르게 처리하는지 함께 측정해야 한다. 프로파일링에서 드러난 병목에 맞춰 이 기법들을 조합하고, 같은 모델과 부하에서 지연과 처리량이 얼마나 달라지는지 판정한다. ## 여러 GPU에서는 모델의 분할과 통신도 비용이다 모델 가중치가 GPU 한 장의 메모리에 들어가지 않거나 처리량을 늘려야 하면 tensor parallelism으로 가중치를 여러 GPU에 나눈다. 각 GPU가 일부 행렬 연산을 맡은 뒤 중간 결과를 모으므로 계산을 나눈 만큼 장치 간 통신이 더해진다. 모델 구조와 배치가 작으면 이 통신 비중이 커질 수 있다. DeepSeek V3의 Multi-head Latent Attention(MLA)은 어텐션 캐시를 압축해 KV 메모리를 절약한다. 여러 Query 헤드가 압축된 KV 표현을 함께 쓰는 구조라서, 헤드를 여러 GPU에 나누면 각 GPU가 같은 압축 캐시를 보관하는 실행 경로가 생길 수 있다. Attention을 data parallel로 나누어 GPU마다 다른 요청을 맡기면 이런 중복을 줄일 수 있다. vLLM의 공개 설계는 일부 MLA MoE 구성에서 attention에 data parallelism을 적용하고 expert 계산에는 expert parallelism 또는 tensor parallelism을 조합한다. 이때 attention 요청은 data-parallel rank들로 나뉘고 expert 계산은 해당 group에서 함께 수행된다. 즉 attention은 서로 다른 요청을 맡고, expert 층에서는 같은 병렬 그룹의 GPU들이 통신하며 계산한다. [vLLM의 MLA와 MoE 분산 구성](https://docs.vllm.ai/en/latest/serving/data_parallel_deployment/) Mixture of Experts(MoE)는 토큰마다 일부 전문가만 계산한다. 각 토큰이 계산하는 전문가는 일부여도, 배치 전체에서는 서로 다른 많은 전문가가 선택될 수 있다. Expert parallelism은 전문가 가중치를 GPU들에 나눈다. 더 많은 GPU에 전문가를 넓게 배치하는 wide expert parallelism은 한 GPU가 읽어야 하는 가중치를 줄이는 방향이다. 토큰을 담당 GPU로 보내고 결과를 모으는 dispatch와 gather가 따라오며, 한 전문가에 토큰이 쏠리거나 한 GPU가 늦으면 전체 단계가 그쪽을 기다린다. 전문가별 부하를 고르게 두는 일이 산술량을 줄이는 것만큼 중요하다. 영상의 DeepSeek V4.1 Flash 도식은 이 차이를 구체화한다. 공개 설정의 routed expert는 384개이고 토큰마다 그중 6개를 선택하며 shared expert 1개도 둔다. 토큰 하나가 쓰는 전문가 수와, 여러 요청이 모였을 때 배치 전체에서 읽어야 하는 전문가 가중치의 범위가 다른 것이다. [DeepSeek V4.1 Flash 모델 설정](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/raw/main/config.json) ![배치의 토큰을 네 GPU의 전문가에 보내는 DeepSeek V4.1 Flash 도식](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/f909a1ee-a1be-4d11-b073-31422ab04610.webp) *배치의 토큰을 GPU별 전문가로 나누는 예. 모델의 routed expert 수는 384개. [Jia-Bin Huang, 37:30](https://www.youtube.com/watch?v=T4SRu-trimA\&t=2250s)* 여러 GPU 묶음이 독립적으로 같은 모델을 실행할 때도 각 묶음의 prefix cache는 서로 다를 수 있다. Cache-aware router는 요청에 맞는 KV가 있는 복제본을 선호하되 그 GPU가 이미 바쁜지도 살핀다. 캐시를 살리느라 한 복제본에 계속 요청을 보내면 대기열이 쌓인다. 요청의 재사용 이득과 워커의 현재 부하를 함께 비교해야 한다. ![각각 다른 캐시를 가진 여러 복제본으로 cache-aware router가 요청을 보내는 구조](https://www.readiz.com/assets/authored/1d9fb009-b0be-4bb5-a693-b1acd9934a43/6456408d-d617-4784-9ced-46108abc10c3.webp) *서로 다른 캐시를 가진 복제본에 요청을 배정하는 라우터. [Jia-Bin Huang, 39:30](https://www.youtube.com/watch?v=T4SRu-trimA\&t=2370s)* 2026년 11월 2일 확인한 [DeepInfer 공개 저장소](https://github.com/deepseek-ai/DeepInfer)는 모델과 샘플러 실행, 최적화 커널, 병렬 처리와 비동기 스케줄링을 제공한다. 완전한 서비스를 위해 필요한 KV 캐시 시스템, VE/prefill/decode 분리, data-parallel 복제본 사이의 부하 분산은 별도로 구현해야 하는 영역으로 명시한다. 모델 실행 엔진을 상위의 요청 관리와 캐시 운영에 연결해야 서비스 구성이 완성된다. ## 빠른 한 요청과 전체 시스템의 처리량은 따로 잰다 서빙 성능을 비교할 때 최소 네 항목은 함께 봐야 한다. | 기준 | 답하는 질문 | | ----------- | ------------------------------ | | TTFT | 요청 후 첫 토큰을 받을 때까지 얼마나 기다렸나 | | TPOT 또는 ITL | 출력 토큰이 이어지는 속도는 어떤가 | | 처리량 | 시스템이 초당 요청이나 토큰을 얼마나 처리했나 | | Goodput | 지연 목표를 만족한 요청을 단위 시간에 얼마나 완료했나 | TTFT가 줄어도 생성 속도가 느려질 수 있고, 한 요청이 빨라져도 GPU 전체의 처리량이 낮아질 수 있다. 처리량을 높이느라 대기열이 길어지면 지연 목표를 만족하는 요청 수는 오히려 줄어든다. 같은 입력과 출력 길이, 요청률, 동시성, 하드웨어, 모델과 정밀도에서 네 지표를 비교해야 개선의 의미가 분명해진다. 좋은 서빙 설계는 사용자가 기다릴 수 있는 시간 안에서 더 많은 요청을 완료한다. 어떤 요청을 함께 계산할지, 이미 가진 KV를 언제 재사용할지, 메모리와 커널 작업을 어떻게 나눌지, 밀려든 요청을 어떻게 받을지 결정하고 그 결과를 첫 응답과 이어지는 속도로 확인한다. 모델 계산, 메모리, 대기와 통신을 한 흐름에서 다뤄야 서비스에서 쓸 수 있는 처리량이 나온다. --- --- id: "authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533" title: "폭락장에서 버틸 힘은 현금과 투자 비중에서 나온다" description: "지수의 회복을 내 계좌의 회복으로 이어가려면 무엇이 필요할까. 강제 매도와 반복 매매, 레버리지의 손실 구조를 살펴보고 현금과 투자 비중의 역할을 정리한다." kind: "record" published: "2026-11-01T08:52:23.764Z" tags: ["투자","자산"] url: "https://www.readiz.com/records/bear-market-cash-position-sizing/" markdownUrl: "https://www.readiz.com/records/bear-market-cash-position-sizing/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 폭락장에서 버틸 힘은 현금과 투자 비중에서 나온다 폭락장에서 계좌를 지키는 일은 바닥을 맞히는 일보다 먼저다. 하락과 반등을 예측해 매번 움직이려다 보면 손실이 커지고, 회복할 기회가 와도 원금이 너무 작아져 이를 누리기 어려워진다. 박종훈의 지식한방 영상은 시장의 방향을 정확히 맞히기보다 강제 매도와 감정적인 매매를 피할 수 있는 포트폴리오를 먼저 만들자고 말한다. 결국 버티는 힘도 현금과 투자 비중에서 나온다. 2026년 10월 31일 공개된 이 영상의 사례를 따라가며 그 이유를 정리해 본다. [YouTube: 최악의 폭락장에서도 내 돈을 지키는 방법 (박종훈의 지식한방)](https://www.youtube.com/watch?v=QePWyuBAS9E) ## 손실은 하락장에서만 커지지 않는다 영상은 먼저 2026년 봄부터 가을까지 코스피가 급등하고 급락한 사례를 보여 준다. 슬라이드에 따르면 3월 말 5,052에서 6월 22일 9,114까지 83일 동안 80% 올랐고, 이후 7월 30일 5,594까지 하락했다. 10월 말 지수는 5,731로 표시돼 있다. 짧은 기간의 상승을 국내 시장의 기초 체력만으로 설명할 수 없고, 국민연금과 개별 종목 레버리지가 상승을 키웠다는 해석을 내놓는다. 이 인과관계는 영상에서 별도의 분석으로 입증하지 않는다. ![2026년 3월 말부터 10월까지 코스피가 급등한 뒤 하락한 흐름](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/d6fa25b4-f506-4be7-ac40-c7bcafd378b5.webp) *영상에 제시된 2026년 코스피 흐름. [박종훈의 지식한방, 1:05](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=65s)* 변동성이 커지면 투자자는 하락을 견디지 못해 팔고, 반등이 나타나면 다시 놓칠까 봐 따라 사기 쉽다. 그러면 하락 자체에 더해 매매 시점의 실수가 손실을 보탠다. 영상은 고점에 1억 원을 투자한 가상 사례를 든다. 그대로 보유했을 때 6,287만 원이 남는 구간에서, 특정 날짜에 팔고 반등 뒤 다시 사는 거래를 두 번 하면 5,305만 원이 된다는 계산이다. 이 계산에서 차이를 만든 것은 거래 횟수 자체보다 싼 가격에 팔고 더 비싸게 다시 들어온 경로다. 같은 지수를 보유해도 이 과정에서 보유 수량이 줄어들면 이후의 반등으로 회복할 수 있는 금액도 작아진다. ![고점에 투자해 보유한 경우와 두 번 사고판 경우의 영상 속 계좌 비교](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/285c046e-8004-4dd9-9565-b7bec459dac7.webp) *영상이 선택한 날짜를 기준으로 계산한 두 계좌의 비교. [박종훈의 지식한방, 2:45](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=165s)* 가격이 내려간 뒤 원금으로 돌아오려면 하락률보다 더 큰 상승률이 필요하다. 원금 100이 20% 떨어져 80이 되면 다시 100으로 가기 위해 25% 올라야 한다. 40% 하락해 60이 남으면 66.7%, 절반으로 줄면 100%, 80% 손실로 20만 남으면 400% 상승이 필요하다. 손실률이 커질수록 회복에 필요한 수익률은 빠르게 커진다. 그래서 하락을 피하는 일만큼이나 손실을 감당할 수 있는 규모로 투자하는 일이 중요하다. ![손실률에 따라 원금 회복에 필요한 상승률이 커지는 영상 속 도표](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/7463088e-02c4-4854-b366-20e087785c58.webp) *손실률과 본전 회복에 필요한 수익률. 필요 상승률 = 손실률 ÷ (1 − 손실률). [박종훈의 지식한방, 15:10](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=910s)* ## 지수의 회복과 내 계좌의 회복은 다르다 영상은 코스피와 나스닥이 큰 폭으로 하락한 뒤 과거에 전고점을 회복한 여러 사례를 든다. 발표자는 코스피가 2020년 하락 뒤 7개월, 2008년 금융위기 뒤 3년 2개월, 2022년 하락 뒤 4년 2개월 만에 각각 전고점을 되찾았다고 말한다. IMF 외환위기 당시에는 76% 하락 뒤 회복까지 약 11년이 걸렸다는 설명도 한다. 미국 사례로는 2000년 나스닥 하락 뒤 15년, 1929년 대공황 뒤 다우지수 회복까지 25년이 걸렸다는 수치를 언급한다. 슬라이드는 종가 기준 전고점 회복을 비교한다. 배당 재투자와 물가 상승을 반영한 투자자의 실질 수익률과는 측정 기준이 다르다. 이 사례들이 보여 주는 핵심은 지수가 언젠가 회복한다는 낙관보다 회복까지의 시간이 일정하지 않다는 사실이다. 7개월과 25년은 투자자가 견뎌야 할 시간이 전혀 다르다. 지수 자체가 회복해도 투자자가 중간에 손실을 확정했거나 생활비 때문에 주식을 팔았다면 계좌는 함께 회복하지 않는다. 반대로 하락 중에도 계속 투자할 여력이 있으면 낮아진 가격에 매수해 개인의 회복 시점을 앞당길 수 있다. 영상이 강조하는 “하락 후에 추가로 넣을 돈이 남아 있는가”는 바로 이 차이를 묻는다. 단순한 예로 가격 100에 1주를 사고, 50으로 하락했을 때 1주를 더 샀다면 총 150을 투자해 2주를 갖는다. 평균 매입가는 75다. 가격이 75로 회복하면 추가 납입액까지 포함한 원금을 되찾지만 지수는 여전히 처음보다 25% 낮다. 이 차이를 만드는 것은 추가 자금과 이후의 가격 회복이다. 추가 매수 뒤 가격이 더 내려가면 손실 금액도 커지므로 생활비와 투자 여력을 구분해 두는 일이 먼저다. ![코스피와 미국 지수의 하락 폭과 전고점 회복 기간을 비교한 영상 속 표](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/3a11534d-abc3-402e-8257-51f881716ace.webp) *영상에서 제시한 과거 지수 하락과 회복 기간. [박종훈의 지식한방, 8:05](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=485s)* 이 때문에 시장의 바닥을 날짜로 맞히는 전략은 취약하다. 하락 주기가 있다는 관찰과 다음 하락 날짜를 알아내는 능력은 다른 문제다. 영상은 위험자산의 하락이 대략 몇 년 간격으로 나타난다는 역사적 패턴을 소개하면서도, 달력에 찍힌 날짜처럼 예측할 수는 없다고 말한다. 대응의 초점을 예측에서 포트폴리오로 옮기는 이유다. ## 강제 매도와 집중 투자는 회복의 시간을 빼앗는다 빚을 내 주식을 사면 하락장에서 내가 정한 시점까지 기다리기 어려워진다. 담보 가치가 떨어지고 증거금이 부족해지면 증권사가 보유 자산을 강제로 팔 수 있기 때문이다. 시장이 회복하더라도 강제 매도 뒤에는 그 반등에 참여할 주식이 남아 있지 않을 수 있다. 빚을 이용한 투자에서 핵심 위험은 단순히 이자를 부담하는 데 그치지 않고, 회복 전에 보유를 끝내야 하는 상황이 생긴다는 데 있다. 특정 종목에 자산을 몰아두는 일도 비슷한 문제를 만든다. 넓은 지수는 여러 기업을 담고 구성 종목이 바뀌지만, 개별 기업은 산업 변화나 경쟁력 상실로 과거 고점을 다시 보지 못할 수 있다. 영상은 한때 컴퓨터 산업의 상징이었던 인텔을 사례로 든다. 유명하고 오래된 기업이라는 사실은 개별 주식의 회복을 보장하지 않는다. 분산은 하락을 없애 주지 않지만, 한 기업의 영구적인 부진이 전체 자산을 좌우하는 위험을 낮춘다. 레버리지 상품과 인버스 상품도 영상이 경계하는 대상이다. 이때 설명은 정확히 나눠야 한다. 일일 목표 배수를 추구하는 레버리지 ETF는 매일 기준을 다시 맞춘다. 그래서 며칠 이상 보유한 수익률은 지수의 기간 수익률에 단순히 2배를 곱한 값이 아니다. 변동성이 크고 지수가 오르내리는 장에서는 복리 경로 때문에 지수가 제자리여도 상품 가격이 하락할 수 있다. 반대로 지수가 한 방향으로 꾸준히 움직이면 레버리지 상품이 지수 누적수익률의 배수보다 더 높은 수익을 내는 구간도 가능하다. “시간이 지나기만 하면 반드시 녹는다”는 식으로 일반화할 수는 없다. 다만 방향뿐 아니라 매일의 변동 경로까지 감당해야 하므로, 손실을 만회하려고 고배율 상품을 오래 보유하는 전략은 위험이 크다. [FINRA의 레버리지와 인버스 ETP 설명](https://syndication.finra.org/content/lowdown-leveraged-and-inverse-exchange-traded-products) 예를 들어 수수료와 추적 오차를 제외하고 지수의 일일 수익률을 2배로 따르는 상품을 가정해 보자. 지수가 100에서 하루 10% 내려 90이 된 다음, 다음 날 11.11% 올라 100으로 돌아오면 지수는 제자리다. 상품은 첫날 20% 내려 80이 되고, 다음 날 22.22% 상승해 약 97.78이 된다. 반대로 지수가 매일 10%씩 이틀 오르면 지수는 21% 상승하지만 2배 상품은 44% 오른다. 같은 상품이라도 누적 결과는 매일의 수익률이 복리로 쌓인 경로에 달렸다. 상품 설명서의 일일 목표와 보유 기간의 차이를 이해하지 않고 “지수가 언젠가 회복하면 레버리지도 회복한다”고 기대하는 것이 위험하다. ## 급등락을 볼 때마다 매매하지 않도록 미리 정한다 강한 반등은 하락 중에도 나타난다. 영상은 대공황 초기 다우지수가 381에서 198까지 떨어졌다가 다섯 달 사이 294로 약 48% 반등한 뒤 다시 하락했고, 비슷한 급락과 반등이 여러 차례 이어졌다고 설명한다. 2008년 금융위기 때 하루 급등한 뒤 추가 하락한 사례도 함께 들어 반등을 확인 신호로 섣불리 읽지 말라고 한다. 가장 큰 상승일이 하락장 한가운데 나타날 수 있다는 설명도 같은 맥락이다. 급등은 기회일 수도 있지만 변동성이 여전히 큰 상태를 나타낼 수도 있으므로, 하루의 움직임만으로 추세 전환을 선언하기 어렵다. 영상은 2026년 10월 말 급반등과 외국인 매수를 설명하면서, 매도 물량이 소진된 뒤 숏 포지션을 되사는 매수만으로도 수급이 좋아 보일 수 있다고 말한다. 숏커버는 하락에 베팅해 빌려 판 주식을 되사는 거래다. 이 과정은 매수 수요를 만들지만, 장기 자금이 새로 유입됐다는 뜻과 같지는 않다. 순매수 합계만으로 매수자의 전략이나 의도를 식별할 수는 없다. 수급 표의 매수만 보고 “외국인이 돌아왔다”고 단정하기보다, 그 매수가 숏커버인지 신규 포지션인지, 며칠 이상 이어지는지를 나눠 보는 편이 맞다. ![대공황 당시 다우지수의 급락과 반등을 보여주는 영상 속 그래프](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/233a1ece-6b76-4b54-bc3d-261f3ee22678.webp) *영상이 소개한 1929년 이후 다우지수 경로. [박종훈의 지식한방, 16:50](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=1010s)* 투자자가 계속 매매하는 이유에는 시장 정보뿐 아니라 심리도 있다. 영상은 투자자가 믿고 싶은 전망을 반복해서 찾아보고, 불편한 숫자는 피하는 확증편향을 지적한다. 금융 인플루언서 연구는 이 대목에서 흥미로운 근거를 제공한다. Kakhbod 등의 논문은 StockTwits에 2013년부터 2016년까지 주식 전망을 올린 약 2만 9천 개 계정을 분석해 사후 위험조정 성과에 따라 계정을 분류했다. 논문에서 28%는 실력이 있는 계정, 16%는 평균 수준, 56%는 부정적인 성과를 보인 계정으로 분류됐다. 이는 예측의 정답률이 아니라 해당 표본에서 위험조정 수익률로 분류한 계정의 비율이다. 연구는 성과가 낮은 계정이 더 낙관적이고 팔로워도 많은 경향을 보고했다. 이 표본에서는 팔로워가 많은 계정을 고르는 방식이 좋은 성과를 내는 계정을 고르는 방식과 어긋난 셈이다. [논문 원문](https://jhfinance.web.unc.edu/wp-content/uploads/sites/12369/2023/11/Finfluencers.pdf) ![금융 계정을 사후 위험조정 성과로 분류한 영상 속 연구 도표](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/1a46636a-5b85-491a-9e9d-3f0ee56ba6d6.webp) *왼쪽 막대는 StockTwits 계정의 성과 분류. 오른쪽 아래 −9.5%는 슬라이드가 별도로 인용한 투자자 계좌 연구의 수치다. [박종훈의 지식한방, 22:00](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=1320s)* 듣기 좋은 전망이 더 퍼지면 투자자는 자신의 판단을 확인해 주는 목소리만 남겨둘 수 있다. 그 전망을 믿고 산 뒤에는 해당 인플루언서를 계속 따라보며 매매의 이유를 얻게 된다. 문제는 예측이 맞았는지 검증하기 전에 이미 포지션이 생기고, 이후 정보 소비가 그 포지션을 방어하는 쪽으로 기울 수 있다는 점이다. 그래서 영상은 “이 말이 맞나?”를 묻기 전에 “내가 듣고 싶어서 이 사람을 계속 보는 건 아닌가?”를 먼저 돌아보라고 한다. 오디세우스가 세이렌의 노래를 들으면서 배가 암초로 향하지 않도록 자신을 돛대에 묶었다는 이야기를 영상은 투자 원칙에 빗댄다. 급등이나 급락이 일어난 순간에는 매매하지 않고, 마음이 가라앉은 뒤에 미리 정한 규칙에 따라 거래하자는 뜻이다. 감정을 없애겠다고 결심하는 것보다 감정이 가장 강한 순간에 행동할 수 없도록 절차를 만드는 편이 현실적이다. 예컨대 매수와 매도 조건과 투자 비중의 조정 기준을 평온할 때 기록해 두면, 뉴스의 열기보다 자신의 계획을 먼저 확인할 수 있다. ## 현금이라는 닻과 주식이라는 돛 영상의 항해 비유에서 현금성 자산은 배를 붙드는 닻이고, 위험자산은 바람을 받아 배를 움직이는 돛이다. 현금은 폭락장에서 생활비나 예정된 지출 때문에 주식을 팔아야 하는 일을 줄여 준다. 동시에 가격이 내려갔을 때 선택지를 남긴다. 주식 비중은 장기적인 성장에 참여하게 하지만, 너무 크면 태풍 같은 변동성에 배가 뒤집힐 수 있다. 투자 비중은 수익률을 높이려는 욕심만으로 정할 수 없다. 절반 가까이 하락해도 팔지 않고 견딜 수 있는지, 급등을 놓쳤다는 불안에 추가 매수하지 않을 만큼 이미 충분히 투자돼 있는지를 함께 봐야 한다. 영상은 환율이 내려간 시기에는 미국 단기 국채의 장점이 살아난다고 덧붙인다. 단기 국채는 만기가 짧아 장기채보다 금리 변동에 따른 가격 민감도가 낮고, 현금 대기 자산의 한 형태가 될 수 있다. 다만 달러 표시 자산을 원화 기준으로 보유하면 환율이 반대로 움직일 때 원화 수익률이 줄거나 손실이 날 수 있다. “실탄”의 역할을 맡길 자산은 이름이 안전해 보이는지가 아니라, 필요한 시점에 얼마의 원화 가치로 쓸 수 있는지와 가격 변동을 함께 따져야 한다. [Investor.gov의 국제투자 안내](https://www.investor.gov/introduction-investing/investing-basics/investment-products/international-investing) ![현금성 자산을 닻, 주식 비중을 돛으로 비유한 영상 속 포트폴리오 그림](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/73dec617-8eef-4978-8b79-811a02c4f11c.webp) *현금성 자산으로 하락을 견디고 위험자산으로 상승에 참여한다는 비유. [박종훈의 지식한방, 26:10](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=1570s)* 영상 마지막 화면에는 바닥을 선언하는 대신 참고할 네 가지 조건이 나온다. 밸류에이션이 역사적 저점권에 닿았는지, 비관이 극단에 이르렀는지, 정책 방향이 바뀌고 10년물 금리가 따라 움직이는지, 외국인 매수가 일회성이 아니라 이어지는지다. 각각은 가격, 심리, 정책과 시장 수급을 살펴보는 기준이다. 영상은 각 항목의 구체적인 임계값과 매수 비중까지 제시하지는 않는다. 따라서 실제로 적용하려면 어떤 가치평가 지표를 비교할지, 정책 변화가 금리와 기업 이익에 어떻게 전달되는지, 매수의 지속성을 어느 기간으로 볼지를 정해야 한다. 잠깐의 반등에 전부를 걸기보다 미리 정한 비중을 나눠 채우자는 설명으로 이어진다. ![영상 마지막 화면에 제시된 바닥 판단의 네 가지 관찰 기준](https://www.readiz.com/assets/authored/3bbc316e-75f4-4d26-ae5c-b7cd873cc533/5486d85e-c0c3-4dcf-89f4-f09e1f4f178e.webp) *밸류에이션, 투자 심리, 정책과 금리, 외국인 매수의 지속성을 관찰하자는 영상 속 목록. [박종훈의 지식한방, 27:08](https://www.youtube.com/watch?v=QePWyuBAS9E\&t=1628s)* 폭락장에서 투자자가 통제할 수 있는 것은 다음 반등의 날짜가 아니다. 빚 때문에 강제로 팔아야 하는 상황을 피하고, 한 종목에 자산을 걸지 않으며, 큰 손실 뒤에 본전을 찾겠다며 레버리지를 높이지 않는 것, 급등락을 볼 때마다 계획을 바꾸지 않도록 규칙과 현금 여력을 마련하는 일이다. 지수의 회복은 긴 시간 뒤에 올 수 있지만, 그 시간을 버티지 못하면 내 계좌는 회복에 참여할 수 없다. 바닥을 맞히는 기술보다 먼저 필요한 것은 회복의 기회가 왔을 때 시장에 남아 있을 수 있는 구조다. --- --- id: "authored/6f31c0f5-5a48-4177-a209-e827d2770d9b" title: "레버리지와 인버스 ETF: 일일 재설정과 경로 의존 수익률" description: "일일 목표가 있는 레버리지와 인버스 ETF의 복리 경로와 단일종목 상품의 재조정, 투자자 보호 장치를 계산과 공식 자료로 정리한다." kind: "llm-wiki" published: "2026-10-31T13:55:28.113Z" updated: "2026-11-11T06:38:51.988Z" tags: ["ETF","레버리지","투자"] url: "https://www.readiz.com/llm-wiki/leveraged-inverse-etf-daily-reset-compounding/" markdownUrl: "https://www.readiz.com/llm-wiki/leveraged-inverse-etf-daily-reset-compounding/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 레버리지와 인버스 ETF: 일일 재설정과 경로 의존 수익률 레버리지 ETF와 인버스 ETF의 표시 배율을 읽을 때는 목표 기간부터 확인한다. 대부분의 레버리지와 인버스 상장지수상품은 기초지수 수익률의 일정 배수 또는 역방향을 하루 단위로 추구하고 매일 익스포저를 재설정한다. [FINRA의 안내](https://syndication.finra.org/content/lowdown-leveraged-and-inverse-exchange-traded-products)는 하루를 넘는 수익률이 같은 기간 지수 수익률의 단순 배수와 크게 달라질 수 있다고 설명한다. ## 같은 지수 변화도 매일의 경로에 따라 달라진다 기초지수와 일일 2배 상품이 각각 100에서 시작하고, 수수료와 추적 오차를 제외해 계산한다. | 이틀 동안의 지수 수익률 | 지수의 최종값 | 일일 2배 상품의 최종값 | | ------------------ | ------: | ------------: | | 첫날 -10%, 둘째 날 +10% | 99 | 96 | | 첫날 +10%, 둘째 날 +10% | 121 | 144 | 첫 번째 경우 지수는 $100 × 0.9 × 1.1 = 99$다. 상품은 매일 수익률을 두 배로 적용해 $100 × 0.8 × 1.2 = 96$이 된다. 지수가 처음과 비슷해져도 변동이 반복되면 상품 손실은 커질 수 있다. 두 번째 경우 지수는 21%, 상품은 44% 상승한다. 보유 기간이 늘었다는 이유만으로 언제나 가격이 하락하는 구조는 아니다. 인버스 상품도 일간 역방향 목표를 각 날짜의 수익률에 적용하므로 여러 날의 결과는 변동 경로에 따라 달라진다. 상승과 하락이 반복되는 시장에서는 기초지수가 장기적으로 유리한 방향으로 움직여도 손실이 생길 수 있다. 실제 상품은 수수료, 금융비용, 파생상품 운용, 추적 오차와 세금 등의 영향도 받는다. ## 상품을 비교할 때 목표 배율과 재설정 주기, 추종 지수, 비용과 보유 기간을 상품 설명서에서 확인한다. 일일 목표가 있는 상품은 기간 전체 수익률을 단순히 지수 수익률에 배율을 곱해 추정하지 않는다. 큰 변동은 손실의 속도도 키운다. FINRA는 중장기 보유를 고려하는 투자자가 상품의 목표와 위험을 이해하고 포트폴리오에 적합한지 신중히 판단할 것을 권한다. 관련 자료: [시장 수급 지표 읽기](https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/) ## 단일종목 2배 ETF에서 익스포저를 다시 맞추는 법 기초자산의 하루 수익률을 2배로 따르는 상품은 매일 끝에 목표 익스포저를 다시 맞춘다. 순자산이 100이고 기초자산 익스포저가 200인 경우를 두고, 자금 유출입과 비용, 추적 오차가 없고 하루 수익률이 목표 배수를 정확히 추종한다고 계산해 보자. | 기초자산 변동 | 시작 순자산 → 변동 뒤 | 기존 익스포저의 가격 변동 뒤 규모 | 새 목표 익스포저 | 재조정 거래 | | ------- | ------------: | ------------------: | --------: | ------: | | +10% | 100 → 120 | 200 → 220 | 240 | 20만큼 확대 | | -10% | 100 → 80 | 200 → 180 | 160 | 20만큼 축소 | 따라서 상승일에는 목표 익스포저를 키우고 하락일에는 줄이는 주문이 생길 수 있다. 실제 펀드의 현물과 선물, 스왑 등 운용 방식과 자금 유출입은 필요한 매매의 규모와 시간을 바꾼다. 표의 값은 기초자산 익스포저를 기준으로 읽는다. 이 계산은 재조정 방향과 예상 가능한 수급이 생기는 원리를 보여 주는 단순 모형이다. 다른 참여자는 예상되는 장 마감 수급을 앞서 거래할 유인이 있다. 이 구조와 거래 목적의 감시 자료는 [고빈도 매매와 ETF 시장 유동성](https://www.readiz.com/llm-wiki/hft-etf-market-liquidity-source-guide/)에서 이어서 정리한다. [KBS시사기획 창 569회, 재조정 설명 장면 16:40](https://www.youtube.com/watch?v=ukXf42b3NfA\&t=1000s) ## 2026년 한국 단일종목 상품의 제도 변경 금융위원회는 2026년 5월 26일 안내에서 삼성전자와 SK하이닉스를 기초로 한 2배 상품의 5월 27일 상장을 알렸다. 출시 구성은 ETF 정방향 14개와 역방향 2개, ETN 정방향 2개였다. 출시 당시 기본예탁금은 1,000만 원이었으며 이후 투자자 접근 요건이 강화됐다. 금융위원회 후속 조치에 따라 2026년 7월 31일부터 개인 일반투자자는 국내외 단일종목 레버리지 상품의 신규 투자와 추가 매수 때 현금 3,000만 원을 기본예탁금으로 두게 됐다. [금융위원회, 2026년 5월 단일종목 ETF 도입](https://www.fsc.go.kr/no010101/86973), [금융위원회, 기본예탁금 변경](https://www.fsc.go.kr/no010101/87403) 2026년 8월 19일부터 단일종목 상품에 신규 투자하는 개인 일반투자자에게 기본 1시간, 심화 2시간의 사전교육과 모의거래 이수도 적용됐다. 모의거래는 총 5거래일 이상, 거래일마다 1시간 이상으로 총 5시간 이상이다. 금융위원회의 8월 12일 발표는 8월 19일부터 종가 기준 ETF와 ETN의 괴리율 관리기준을 국내 3%에서 2%로, 해외 6%에서 5%로 강화하는 조치도 설명한다. 당시 발표는 고의나 중과실 또는 상습적인 관리 의무 위반 LP의 신규 유동성 공급업무를 제한하도록 시행세칙을 개정할 예정이라고 밝혔다. 구체적인 요건은 해당 발표 시점의 제도 변경 이력이다. [금융위원회, 괴리율 관리 및 모의거래 시행](https://fsc.go.kr/po010104/87512) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/341b4183-9055-4f5d-883f-050676544152" title: "금융 인플루언서 연구 읽기: 성과와 팔로워 수" description: "StockTwits의 금융 인플루언서 연구에서 위험조정 초과수익 분류와 팔로워 관계, 표본의 범위를 구분한다." kind: "llm-wiki" published: "2026-10-31T13:52:37.303Z" tags: ["투자 정보","금융 인플루언서","StockTwits"] url: "https://www.readiz.com/llm-wiki/finfluencers-stocktwits-performance-followers/" markdownUrl: "https://www.readiz.com/llm-wiki/finfluencers-stocktwits-performance-followers/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 금융 인플루언서 연구 읽기: 성과와 팔로워 수 금융 인플루언서가 제시하는 종목 의견의 성과와 팔로워 수가 어떻게 연결되는지 살펴볼 때 쓰는 자료다. 관측된 성과의 기준과 표본을 함께 읽어야 한다. ## Finfluencers 연구 Ali Kakhbod, Seyed Mohammad Kazempour, Dmitry Livdan, Norman Schürhoff의 작업논문 [Finfluencers 초기본](https://jhfinance.web.unc.edu/wp-content/uploads/sites/12369/2023/11/Finfluencers.pdf)은 투자 소셜 플랫폼 StockTwits의 게시물을 활용한다. 2013년부터 2016년까지의 발언으로 개인별 성과를 측정하고 팔로워 수는 2018년 2월을 기준으로 살펴본다. [SSRN 자료 페이지](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4428232)에서 이후 개정 이력과 초록도 확인할 수 있다. 초기본은 2만 9천 명 이상의 계정에 대해 의견을 따르는 가상의 투자 성과를 위험조정 초과수익의 모형으로 평가해 유능 28%, 무능 16%, 음의 능력(antiskilled) 56%로 추정했다. 유능 집단의 월평균 초과수익은 +2.6%, 음의 능력 집단은 -2.3%로 제시된다. 28%와 56%는 예측이 맞거나 틀린 횟수의 비율이 아니라 모형이 추정한 계정 분류 비율이다. 연구에서는 유능할 확률이 높은 계정일수록 팔로워 수가 적고, 음의 능력에 속할 확률이 높을수록 팔로워가 많은 관계도 관측했다. 다만 개별 성과의 추정치 자체와 팔로워 수의 관계는 통계적으로 뚜렷하지 않았다. 연구자는 계정의 과도한 낙관성과 이용자의 유사한 성향이 이 관계에 기여할 가능성을 분석한다. 이 자료는 정해진 과거 기간과 특정 플랫폼에서 공개된 종목 의견을 분석한 결과다. 모든 금융 채널의 정확도나 개별 투자자의 실제 수익률로 옮길 수 없다. 후속 개정본을 사용할 때는 표본과 성과 측정 방식, 수치가 같은지 다시 확인한다. ## 활용할 때 확인할 질문 - 성과가 방향 예측의 적중률인지, 위험과 비교 기준을 반영한 초과수익인지 확인한다. - 기간과 플랫폼, 게시물의 선별 조건, 거래비용 포함 여부를 살펴본다. - 팔로워 수와 성과의 통계적 관계를 개별 계정에 대한 평가나 원인의 확정으로 바꾸지 않는다. 관련 자료: [AI 투자도구의 증거 읽기](https://www.readiz.com/llm-wiki/ai-investment-tools-evidence/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/0318ce31-7165-4fe7-9474-47d2fed37588" title: "비만 치료는 감량 뒤 몸의 반응까지 다뤄야 한다" description: "장형우 교수의 감량과 재증가 경험을 위고비와 마운자로 임상시험, 약물 중단 뒤 체중 변화 그래프와 함께 살펴본다." kind: "record" published: "2026-10-29T11:14:56.454Z" updated: "2026-11-02T02:16:01.434Z" tags: ["비만","체중 관리"] url: "https://www.readiz.com/records/obesity-weight-regulation-long-term-treatment/" markdownUrl: "https://www.readiz.com/records/obesity-weight-regulation-long-term-treatment/index.md" recordFolder: "공부/TIL/body" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL%2Fbody" --- # 비만 치료는 감량 뒤 몸의 반응까지 다뤄야 한다 비만을 의지 부족으로만 설명하면 한 가지 중요한 질문을 놓친다. 체중이 줄어든 뒤 몸은 왜 다시 배고픔을 키우고, 줄어든 체중을 되돌리려 할까? 이 질문을 생각하면 감량을 유지하지 못한 사람에게 “더 참았어야지”라고 말하는 일이 얼마나 불충분한지 보인다. 치료에서 필요한 것은 의지를 평가하는 일이 아니라, 몸의 반응과 생활 환경, 동반 질환을 함께 다루는 일이다. 침착맨 채널에 출연한 분당서울대병원 장형우 교수는 비만 생리와 자신의 치료 경험을 연결해 설명한다. 비만 치료는 감량 자체에서 끝나지 않는다. 감량을 유지하는 동안 몸이 보내는 신호와 건강 위험까지 관리해야 한다. [YouTube: 아구통 돌리고 싶은 비만의 오해](https://www.youtube.com/watch?v=skbkTnMFKM0) ## BMI와 건강 위험을 함께 본다 체질량지수(BMI)는 체중(kg)을 키(m)의 제곱으로 나눈 값이다. 대한비만학회 2022 지침은 성인 BMI 23 이상 25 미만을 비만 전단계, 25 이상을 비만으로 분류하고, 비만을 25–29.9의 1단계, 30–34.9의 2단계, 35 이상의 3단계로 나눈다. 국제적으로 널리 쓰는 BMI 30 기준과 한국의 25 기준은 집단별 건강 위험을 바탕으로 정한 분류다. BMI는 체지방량을 직접 재지 않으므로 허리둘레와 혈당, 혈압 및 수면무호흡 같은 동반 질환을 함께 살펴야 한다. [대한비만학회 비만 진료지침](https://pmc.ncbi.nlm.nih.gov/articles/PMC10327686/) 강연은 수면무호흡과 심장 부정맥이 환자의 일상과 건강에 미치는 영향을 다룬다. 폐쇄성 수면무호흡은 잠든 동안 상기도가 반복해서 좁아지거나 막혀 호흡이 끊기고 수면의 질을 떨어뜨릴 수 있다. 장형우 교수는 심장 수술 환자를 진료하며 비만과 심방세동 등이 함께 나타난 사례를 보고, 자신도 부정맥을 겪었다고 말한다. 영상의 연령별 그래프는 한 시점에 고연령 집단의 3단계 비만 비율이 낮게 나타난다. 이런 연령대별 비율만으로 사람들이 사망했기 때문이라고 결론 낼 수는 없다. 체중 변화나 출생 세대별 차이도 영향을 줄 수 있어, 원인을 구분하려면 개인별 추적 자료가 필요하다. [BMI 연령 분포의 코호트 효과 연구](https://pmc.ncbi.nlm.nih.gov/articles/PMC6988212/) ![2022년 연령대별 2단계와 3단계 비만 유병률](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/3c6ef1bc-c35f-4bea-9ddb-017d767467f1.webp) *대한비만학회 비만병 팩트시트 2024를 인용한 강의 장면. [침착맨, 33:15](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=1995s)* 세계보건기구도 비만을 환경적, 심리사회적 영향과 생물학적 취약성이 복합적으로 작용하는 만성질환으로 설명한다. 음식 환경, 신체활동 기회, 유전적 차이와 건강 체계가 함께 작용한다. [WHO 비만과 과체중 자료](https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight) ## 체중이 줄면 몸은 다시 균형을 맞추려 한다 체중 감량이 오래 유지되기 어려운 까닭을 설명할 때 강연자는 ‘세트 포인트’라는 말을 쓴다. 체중이 줄면 배고픔이 커지고, 에너지를 아끼려는 반응이 나타나 이전 체중으로 돌아가려는 압력이 생긴다는 설명이다. 여기서 세트 포인트를 온도조절기처럼 고정된 숫자 하나로 이해하면 지나친 단순화가 된다. 체중 조절은 시상하부를 포함한 신경계, 호르몬, 지방조직과 에너지 대사가 서로 영향을 주는 과정이다. 목표 체중이 평생 고정돼 있는 게 아니라, 감량과 생활 조건 변화에 따라 조절되는 여러 신호가 몸의 균형에 관여한다. 감량 뒤 식욕과 에너지 균형 신호가 달라질 수 있다는 점은 실험에서도 관찰됐다. Sumithran 연구진은 과체중 또는 비만 성인 50명이 10주간 저열량 프로그램으로 체중을 줄인 뒤, 여러 식욕 관련 호르몬과 배고픔이 1년 시점에도 감량 전과 다르게 나타날 수 있다고 보고했다. 이는 감량 뒤 식욕 관련 반응이 달라질 수 있음을 보여준다. [Sumithran et al., 2011](https://pubmed.ncbi.nlm.nih.gov/22029981/) 이 관점은 감량을 못한 사람과 했던 사람을 도덕적으로 비교하는 일을 멈추게 한다. 어떤 사람은 담배나 술을 비교적 쉽게 끊고, 어떤 사람에게는 같은 일이 훨씬 큰 고통이다. 강연에서 금연과 금주와 음식 취향 이야기가 길게 이어지는 이유도 그 차이를 일상적으로 보여주기 위해서다. 한 사람에게 가능했던 방법이 다른 사람에게 같은 비용과 난이도로 가능하다고 가정할 수 없다. 게다가 음식은 피하면 끝나는 대상도 아니다. 계속 먹어야 하므로 식욕과 환경을 관리해야 하는 부담이 반복된다. Fildes 연구는 영국 진료기록에서 BMI 30 이상 성인을 최대 9년 관찰했다. BMI 40–44.9 집단에서 정상 체중(BMI 25 미만)에 도달할 연간 확률은 남성 1/1,290, 여성 1/677이었고, 5% 이상 감량할 확률은 각각 1/8, 1/7이었다. 두 결과는 별개이며 연간 확률은 9년 누적률이 아니다. 이 관찰연구는 특정 생활습관 프로그램을 시험하지 않았다. [Fildes et al., 2015](https://pmc.ncbi.nlm.nih.gov/articles/PMC4539812/) Look AHEAD는 제2형 당뇨가 있는 과체중 또는 비만 성인을 대상으로 식사와 신체활동을 집중 지원한 프로그램이다. 6개월 감량 목표를 채우지 못한 참가자에게는 오를리스타트를 추가할 수 있었고, 첫해 519명이 사용했다. 비만 수술 후 측정은 제외한 8년 결과에서 중재군의 50.3%가 5% 이상, 26.9%가 10% 이상 감량했고, 비교군은 각각 35.7%, 17.2%였다. 주요 심혈관 사건 복합 결과에서 유의한 차이는 없었지만, 프로그램에서 의미 있는 감량은 관찰됐다. [Look AHEAD 8년 체중 결과](https://pubmed.ncbi.nlm.nih.gov/24307184/), [1년 프로그램과 오를리스타트](https://pmc.ncbi.nlm.nih.gov/articles/PMC3177753/), [주요 심혈관 결과](https://pubmed.ncbi.nlm.nih.gov/23796131/) ![Look AHEAD 8년 시점의 5% 및 10% 이상 감량 달성 비율](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/0c7e54d9-82a2-40be-8fae-7954adbdd229.webp) *8년 시점의 초기 체중 대비 감량 달성 비율. 약물 보조 선택지가 포함된 프로그램의 결과를 원논문 수치로 재구성. [Look AHEAD, 2014](https://pubmed.ncbi.nlm.nih.gov/24307184/)* ## 한 사람의 치료 경과에서 보이는 감량과 유지의 차이 장형우 교수는 심장 수술 환자를 진료하는 의사이면서 비만 치료를 직접 경험한 당사자이기도 하다. 그는 제한식과 약물, 위소매절제술을 차례로 시도했고, 감량 뒤 체중이 다시 늘어난 과정도 공개했다. 아래는 영상에서 설명한 본인의 기록이다. | 시기 | 영상에서 설명한 체중과 치료 | 유지 경험 | | ----------------------------------------------------------------------- | ------------------------------------------------------------------------------- | -------------------------------------------------------- | | [2004년 결혼 전](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=3305s) | 덴마크식 제한 식단을 2주간 지켜 85\~86kg까지 감량 | 이후 체중을 유지하기 어려웠다고 말했다. | | [이후 저탄수화물 식사](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=3397s) | 8개월 동안 116kg에서 107kg으로 감량. 마지막 3개월은 삭센다를 함께 사용 | 추가 감량이 정체됐고, 음식 욕구와 단맛 제한의 어려움이 남았다. | | [2020년 9월 위소매절제술](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=3568s) | 수술 전 약 115kg에서 6개월 뒤 89kg | 수술 1년 뒤에도 89kg, 1년 반 뒤에는 92kg으로 제시했다. | | [수술 4년째](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=3781s) | 102kg까지 재증가 | 체중이 다시 오르는 것을 느끼면서 측정을 피한 기간이 있었다. | | [재증가 뒤](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=4027s) | 심실조기박동을 겪고 수면무호흡 때문에 양압기를 다시 사용. 식사를 제한해 한 달 만에 97kg까지 줄였으나 정체 | 외모뿐 아니라 수면과 심장 증상에 대한 걱정도 치료의 배경이 됐다. | | [2024년 10월 이후](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=4268s) | 10월 17일 위고비 시작. 그래프에는 위고비 10개월에 16kg 감량해 약 81kg, 이어 마운자로 9개월에 3kg 감량해 78kg으로 표시 | 같은 그래프를 설명하면서 촬영 시점에는 마운자로를 12개월 넘게 사용했고 약 78kg이라고 덧붙였다. | 그가 수술 후 경험에서 강조한 부분은 먹을 수 있는 양과 먹고 싶은 마음의 차이다. 한 번에 먹는 양이 줄어도 음식 생각은 계속 났고, 시간이 지나면서 다시 음식을 찾았다. 재증가를 느끼면서 체중을 재지 않은 시기도 있었다. 체중계에 올라가는 일이 시험을 보러 가는 것처럼 두려웠다는 설명이다. 큰 감량을 이뤘던 사람에게도 유지 과정은 또 다른 부담으로 돌아왔다. ![장형우 교수가 제시한 수술과 약물 사용 전후 체중 경과](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/fb3044d7-591c-481d-be4c-c860718cd358.webp) *장형우 교수가 제시한 개인 체중 기록. 수술과 이후 여러 치료를 거친 116→78kg의 경과. [침착맨, 1:15:00](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=4500s)* 위고비를 사용한 뒤에는 먹는 양과 함께 음식에 대한 절박한 욕구가 줄었다고 말한다. 전에는 음식을 참는 데 들던 부담이 컸는데, 약을 쓰면서 그 욕구 자체의 강도가 달라졌다는 경험이다. 동시에 잎채소를 싫어하는 취향은 그대로라고 덧붙인다. 식욕을 조절하기 쉬워지는 변화와 음식 취향이 바뀌는 일은 그의 경험에서도 달랐다. [약물 사용 뒤의 식욕 변화, 1:11:16](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=4276s) 전체 38kg 감량에는 수술과 식사 조절, 여러 약물을 사용한 시간이 함께 들어 있다. 이 개인 경과에서 읽을 수 있는 핵심은 어떤 약 하나의 감량률보다, 치료가 먹는 양과 식욕을 버티는 부담, 재증가 뒤의 대응을 어떻게 바꿨는가에 있다. 약물별 평균 감량 효과는 아래의 무작위 임상시험에서 따로 살펴볼 수 있다. ## 위고비와 마운자로의 임상시험 그래프는 어떻게 읽을까 위고비의 성분은 세마글루타이드이고 마운자로의 성분은 티르제파타이드다. 세마글루타이드는 GLP-1 수용체에 작용하고, 티르제파타이드는 GIP와 GLP-1 수용체에 함께 작용한다. 이 신호는 식욕과 포만감, 음식 섭취 조절에 관여한다. 티르제파타이드는 미국에서 체중 관리용으로 제프바운드(Zepbound)라는 이름으로도 사용된다. 아래 허가문서 그림에 나오는 제프바운드가 그 약이다. [위고비 FDA 허가문서](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/215256s025lbl.pdf), [제프바운드 FDA 허가문서](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf) ![GIP와 GLP-1 신호가 뇌와 위장관에 작용하는 경로](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/4d0ac2a5-7ecc-445e-982f-17b0d886babc.webp) *식욕과 섭취 조절을 설명하는 강의 도식. [침착맨, 1:11:40](https://www.youtube.com/watch?v=skbkTnMFKM0\&t=4300s)* ### 위고비: 68주 동안 벌어진 약물군과 위약군의 차이 대표적인 세마글루타이드 감량 곡선은 2021년 발표된 STEP 1에서 나왔다. 당뇨병이 없고 BMI 30 이상이거나, BMI 27 이상이면서 체중 관련 동반질환이 있는 성인 1,961명을 대상으로 했다. 세마글루타이드 주 1회 2.4mg 또는 위약을 투여했고, 양 군 모두 열량 섭취 감소와 신체활동에 관한 상담을 받았다. 68주째 시작 체중 대비 추정 평균 변화는 약물군 −14.9%, 위약군 −2.4%였다. [Wilding 등, STEP 1, NEJM 2021](https://pubmed.ncbi.nlm.nih.gov/33567185/) ![STEP 1 세마글루타이드 감량 곡선은 왼쪽 패널이며 오른쪽은 당뇨병 동반 별도 시험](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/8c1e6471-bec4-40ab-a670-a3c0af895c25.webp) *FDA 위고비 2026 허가문서 Figure 7. 왼쪽이 STEP 1이고, 오른쪽은 당뇨병이 있는 성인을 대상으로 한 별도 시험이다. 왼쪽 실선은 약물군, 점선은 위약군. [FDA 위고비 라벨, 37쪽 Figure 7](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/215256s025lbl.pdf#page=37)* 가로축은 치료를 시작한 뒤 지난 주, 세로축은 시작 체중 대비 변화율이다. 아래로 내려갈수록 감량이 크다. 첫 몇 달 동안 체중이 줄고 이후 기울기가 완만해지지만, 약물군과 위약군의 간격은 크게 남는다. 이 간격이 식사와 활동 지원에 약물을 더했을 때 나타난 집단 평균의 차이다. ### 마운자로: 용량별로 나뉜 72주 감량 곡선 2022년 발표된 SURMOUNT-1은 당뇨병이 없는 성인 2,539명을 티르제파타이드 주 1회 5mg, 10mg, 15mg 또는 위약군으로 무작위 배정했다. BMI와 동반질환의 등록 기준은 위와 같은 범주였고, 이 시험에서도 식사와 활동 지원을 병행했다. 72주째 시작 체중 대비 추정 평균 변화는 5mg군 −15.0%, 10mg군 −19.5%, 15mg군 −20.9%, 위약군 −3.1%였다. [Jastreboff 등, SURMOUNT-1, NEJM 2022](https://pubmed.ncbi.nlm.nih.gov/35658024/) ![SURMOUNT-1에서 티르제파타이드 5mg, 10mg, 15mg과 위약을 비교한 체중 변화 곡선](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/452c27da-5feb-4be3-b21d-6edbbf0b2467.webp) *SURMOUNT-1과 같은 시험을 수록한 FDA 제프바운드 2026 허가문서 Figure 3. 시간별 관찰 평균 곡선과 오른쪽 W72 HI의 결측 대체 추정값을 함께 제시했다. [FDA 제프바운드 라벨, 19쪽 Figure 3](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf#page=19)* 두 그림의 곡선 끝과 맨 오른쪽 점이 조금 다른 것은 계산 대상과 방법이 다르기 때문이다. 곡선은 해당 시점에 관측된 체중의 평균이고, STEP 1의 RD-MI와 SURMOUNT-1의 HI는 빠진 측정값을 정해진 방식으로 보완한 추정 결과다. 논문이 보고한 −14.9%, −20.9% 등은 이런 결측을 반영한 추정값이다. 관찰된 참가자만의 평균과 결측을 반영한 시험 전체의 평균을 구분하면 그림과 논문의 숫자가 왜 달라 보이는지 이해할 수 있다. 같은 생활습관 상담을 받았다는 사실도 실제 섭취량과 활동량이 같았다는 뜻으로 읽을 수는 없다. 약물이 식욕과 섭취 조절에 작용하면, 같은 식사 지침을 받더라도 먹는 양과 지속하기 쉬운 정도가 달라질 수 있다. 이 시험들은 생활습관 지원에 약물을 추가한 효과를 평가했다. ### 두 약을 직접 비교한 SURMOUNT-5 STEP 1과 SURMOUNT-1은 참가자와 기간이 다른 시험이다. 약물 간 비교에는 2025년에 발표된 SURMOUNT-5가 더 직접적인 근거가 된다. 당뇨병이 없는 성인 751명을 두 군으로 무작위 배정해, 최대 내약 용량의 티르제파타이드 10mg 또는 15mg과 세마글루타이드 1.7mg 또는 2.4mg을 72주 비교했다. 최대 내약 용량은 정해진 증량 과정에서 참가자가 견딜 수 있었던 용량을 뜻한다. ![SURMOUNT-5에서 티르제파타이드와 세마글루타이드의 72주 평균 감량과 95% 신뢰구간](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/e6a0c96d-1e7f-4520-9904-18d8f53f7925.webp) *원논문 수치로 재구성한 SURMOUNT-5의 직접 비교. 최초 체중 대비 감량의 크기와 각 군 추정 평균의 95% 신뢰구간을 표시했다. 공개라벨 시험, 751명, 72주. [Aronne 등, NEJM 2025](https://pubmed.ncbi.nlm.nih.gov/40353578/)* 사전에 정한 분석에서 시작 체중 대비 추정 평균 변화는 티르제파타이드군 −20.2%, 세마글루타이드군 −13.7%였다. 감량률 차이는 6.5%포인트다. 이 조건에서는 티르제파타이드가 평균적으로 더 큰 감량을 보였다. 시험은 참가자와 연구진이 투여 약을 아는 공개라벨 설계였고 Eli Lilly가 지원했다. 이전에 비만 수술을 받은 사람은 제외했으므로, 장 교수처럼 수술 뒤 재증가를 겪은 사람의 경과와 비교할 때는 그 차이를 함께 보아야 한다. [SURMOUNT-5 원논문](https://doi.org/10.1056/NEJMoa2416394) ## 약을 중단하면 체중은 어떻게 달라졌을까 감량 그래프와 함께 자주 인용되는 그림이 약을 중단한 뒤의 체중 경로다. STEP 1 연장연구와 SURMOUNT-4는 모두 중단 뒤 재증가를 보여주지만 중단 전 치료, 추적한 사람과 변화율의 기준이 다르다. 아래 두 그림을 같은 축의 약물 간 비교처럼 읽기보다, 각 연구가 어떤 치료를 끝내고 누구를 얼마나 따라갔는지 확인해야 한다. ![STEP 1 연장연구에서 세마글루타이드 중단 뒤 관찰한 평균 체중 변화](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/4a75c6b3-8119-4a4e-921d-e45cf6cfab4d.webp) *세마글루타이드군 228명을 포함한 연장분석의 Figure 1A. 원시험 참가자 중 선택된 327명을 탐색적으로 추적했고, 68주 치료를 마친 뒤 약물과 생활습관 중재를 함께 끝내 120주까지 관찰했다. 평균 변화는 68주 −17.3%에서 120주 −5.6%로 이동했다. 논문 PDF에 포함된 고해상도 원본에서 패널 A를 발췌. [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 조건에 따라 사용. [Wilding 등, Figure 1](https://pmc.ncbi.nlm.nih.gov/articles/PMC9542252/figure/dom14725-fig-0001/)* STEP 1 연장연구에서는 원시험 68주를 마친 사람들 중 327명을 추가로 관찰했다. 세마글루타이드군은 68주까지 시작 체중의 평균 17.3%를 감량했고, 약물과 구조화된 생활습관 중재가 종료된 뒤 52주 동안 11.6%포인트가 다시 증가했다. 120주 평균은 시작 체중보다 5.6% 낮은 수준이었다. 이 결과는 약물과 생활습관 지원을 함께 끝낸 뒤 나타난 변화이며, 원시험 전체 1,961명 중 연장연구에 참여한 일부의 결과다. [STEP 1 연장연구](https://pubmed.ncbi.nlm.nih.gov/35441470/) ![SURMOUNT-4에서 티르제파타이드를 중단한 군과 계속 투여한 군의 체중 변화](https://www.readiz.com/assets/authored/0318ce31-7165-4fe7-9474-47d2fed37588/edf37cd1-21e4-4a63-921a-a3ef9b96933a.webp) *FDA 제프바운드 2026 라벨 Figure 6에 실린 SURMOUNT-4 곡선. 세로축은 최초 체중 대비 변화다. 36주 공개 치료 후 무작위 배정한 670명을 비교했다. 36주 시점 체중 기준으로 계속 투여군은 추가 −5.5%, 위약 전환군은 +14.0%였다. 관찰 평균 곡선과 최종 결측 대체 추정값을 구분한다. [FDA 제프바운드 라벨, Figure 6](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf#page=26)* SURMOUNT-4에서는 783명이 티르제파타이드 선행 치료를 시작했다. 그중 36주 뒤 무작위 배정에 이른 670명의 평균 감량이 20.9%였다. 이들을 335명씩 나눠, 한쪽은 약을 계속 투여받고 다른 쪽은 위약으로 전환했다. 이후 52주 동안 36주 시점 체중을 기준으로 계속 투여군은 추가 5.5% 감량, 중단군은 14.0% 재증가했다. 14.0%는 처음 약을 시작하기 전 체중의 14%가 아니라, 무작위 배정 시점 체중에서 계산한 변화율이다. 시작 체중을 기준으로 한 88주 시점 변화는 계속 투여군 −25.3%, 위약 전환군 −9.9%다. 이 무작위 비교는 선행 치료를 마치고 무작위 배정에 이른 670명을 대상으로 한다. 생활습관 상담은 양 군에 계속 제공됐다. 약물과 생활습관 지원을 함께 끝낸 STEP 1 연장연구와 달리, 이 시험은 같은 지원을 유지하면서 약을 계속했을 때와 위약으로 바꿨을 때의 차이를 보여준다. [SURMOUNT-4 원논문](https://pubmed.ncbi.nlm.nih.gov/38078870/) 두 연구에서 감량 뒤 약물 치료가 끝난 집단의 체중은 평균적으로 다시 늘었다. 처음 감량에 성공한 뒤에도 유지 단계의 치료가 중요하다는 근거다. 중단이나 변경을 계획할 때는 환자의 건강 상태와 이상반응, 비용, 재증가에 대한 대응을 함께 고려하게 된다. ## 약물, 수술과 생활습관을 장기 치료 안에서 본다 세마글루타이드와 티르제파타이드는 식욕과 음식 섭취를 조절하는 신호에 작용해 감량을 돕는다. 식사와 활동 지원은 약물을 사용하는 동안에도 이어진다. 임상시험에서 생활습관 지원을 함께 제공한 이유이기도 하다. 미국 허가문서는 메스꺼움, 설사, 구토와 변비 등 위장관 증상을 흔한 이상반응으로 제시하고, 췌장염과 담낭질환 등에 대한 주의사항도 담고 있다. 약을 증량하거나 오래 사용할 때는 감량 효과와 함께 내약성과 건강 상태를 평가한다. 국내의 적응증과 용량, 금기와 주의사항은 각 제품의 한국 허가문서를 기준으로 확인한다. [위고비 국내 허가사항](https://nedrug.mfds.go.kr/pbp/CCBBB01/getItemDetailCache?cacheSeq=202301384aupdateTs2026-10-16+18%3A02%3A01.248603b), [마운자로 국내 허가사항](https://nedrug.mfds.go.kr/pbp/CCBBB01/getItemDetailCache?cacheSeq=202502334aupdateTs2026-10-09+14%3A21%3A37.051014b) 체중이 줄 때 지방과 제지방이 함께 감소할 수 있다. 티르제파타이드 체성분 하위연구에서는 감량분 평균 약 75%가 지방, 25%가 제지방이었다. 제지방은 골격근만을 뜻하지 않으므로 이 비율을 근육 감소량으로 바꾸어 읽을 수 없다. 운동과 충분한 영양 지원은 체중계 숫자와 별개로 체력과 기능을 지키는 관리다. WHO도 GLP-1 계열 약물을 성인 비만의 장기 치료 선택지로 조건부 권고하면서 건강한 식사, 규칙적인 신체활동과 의료진 지원을 포함한 포괄적 관리를 제시했다. [SURMOUNT-1 체성분 하위연구](https://pubmed.ncbi.nlm.nih.gov/39996356/), [WHO 2025 GLP-1 지침](https://www.who.int/news/item/01-12-2025-who-issues-global-guideline-on-the-use-of-glp-1-medicines-in-treating-obesity) 장 교수의 사례는 체중이 다시 늘어나는 동안 환자가 어떤 마음을 겪는지도 보여준다. 체중이 오르는 것을 알면서 체중계를 피한 일과, 수술 후에도 음식 생각이 남았다는 경험은 치료를 이어가는 과정의 일부다. 임상시험은 평균 체중 변화의 크기와 일정 기간 중단 후의 변화를 보여주고, 한 사람의 이야기는 그 숫자가 실제 생활에서 어떤 부담과 선택으로 이어질 수 있는지 채운다. 비만 치료에는 감량뿐 아니라 유지, 재증가 때의 대응과 동반 질환 관리가 함께 들어가야 한다. 비만을 의지 시험으로 만들면 감량 뒤의 생리 반응과 치료 선택지를 놓친다. 생활습관은 건강과 감량 유지에 중요하지만, 모든 환자가 홀로 감당해야 할 유일한 치료로 만들 수는 없다. 약물과 수술, 식사와 활동을 장기 관리의 일부로 두고 건강과 기능을 함께 돌보는 접근이 필요하다. [관련 근거를 다시 찾기: 비만과 체중 유지, 생활습관 치료와 인크레틴 약물의 근거](https://www.readiz.com/llm-wiki/obesity-weight-management-evidence/) --- --- id: "authored/76089de3-20d6-4a11-8e5a-732c0a901ee1" title: "비만과 체중 유지: 생활습관 치료와 인크레틴 약물의 근거" description: "STEP 1과 SURMOUNT-1, 두 약을 직접 비교한 SURMOUNT-5, 중단시험의 원문과 그래프를 대상, 기간, 추정값과 기준 체중에 따라 정리한다." kind: "llm-wiki" published: "2026-10-29T04:24:54.362Z" updated: "2026-11-02T02:18:10.452Z" tags: ["비만","체중 관리","임상연구"] url: "https://www.readiz.com/llm-wiki/obesity-weight-management-evidence/" markdownUrl: "https://www.readiz.com/llm-wiki/obesity-weight-management-evidence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "건강/비만" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B1%B4%EA%B0%95%2F%EB%B9%84%EB%A7%8C" --- # 비만과 체중 유지: 생활습관 치료와 인크레틴 약물의 근거 이 자료는 한국 BMI 분류와 국제 기준, 관찰자료와 무작위시험, 임상시험별 대상과 평가 결과를 구분해 다시 찾기 위한 근거를 정리한다. ## 비만의 정의와 BMI 기준 세계보건기구(WHO)는 비만을 개인의 생물학적 특성과 심리사회적, 환경적 요인이 맞물려 나타나는 만성질환으로 설명한다. [WHO, 비만과 과체중](https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight) 대한비만학회 2022 진료지침은 성인 BMI 23 이상 25 미만을 비만 전단계, 25 이상을 비만으로 분류한다. 비만은 BMI 25–<30, 30–<35, 35 이상을 각각 1, 2, 3단계로 나눈다. 국제적으로 널리 쓰이는 비만 기준은 BMI 30 이상이다. BMI는 키와 체중으로 계산하는 선별 지표이므로 체지방 분포와 개인의 건강 상태를 함께 평가할 필요가 있다. 2024년 지침 논문은 체지방과 허리둘레 등 추가 평가 및 장기 건강 결과를 다룬다. [대한비만학회 2022 지침, 표 2](https://pmc.ncbi.nlm.nih.gov/articles/PMC10327686/), [대한비만학회 2024 지침 논문](https://pmc.ncbi.nlm.nih.gov/articles/PMC12583794/) ## 감량 후 생리적 반응과 장기 유지 Sumithran 등의 2011년 연구는 당뇨가 없는 과체중 또는 비만 성인 50명이 10주 초저열량 식이를 한 뒤 62주까지 추적했다. 체중 감량 후 일부 식욕 관련 호르몬과 배고픔의 변화가 추적 기간에도 관찰됐다. 이는 해당 중재 집단의 생리 변화를 보여 주며 모든 사람에게 같은 체중점이 있다는 결론과는 구분된다. [원논문](https://pubmed.ncbi.nlm.nih.gov/22029981/) Fildes 등은 영국 진료기록에서 BMI 30 이상인 남성 76,704명과 여성 99,791명을 최대 9년 관찰했다. BMI 40–44.9인 하위집단에서 정상 BMI(BMI <25)에 도달한 연간 확률은 남성 1/1,290, 여성 1/677이었다. 이 연구의 정상 BMI 기준은 25 미만으로, 한국 분류에서 정상 범위로 보는 23 미만과 다르다. 같은 하위집단의 5% 이상 감량 연간 확률은 각각 1/8, 1/7이었다. 이는 진료기록 관찰 연구의 연간 확률이며, 9년 누적 확률이나 특정 치료의 효과를 뜻하지 않는다. [원논문](https://pubmed.ncbi.nlm.nih.gov/26180980/) ## 생활습관 중재의 결과는 평가 지표마다 다르다 Look AHEAD는 과체중 또는 비만과 제2형 당뇨가 있는 성인 5,145명을 집중 생활습관 중재와 당뇨 교육 비교군에 무작위 배정했다. 2013년 주요 심혈관 결과 분석에서 심혈관 사망, 비치명적 심근경색과 뇌졸중, 협심증 입원의 복합 1차 결과가 줄지 않아 무익성 판단으로 중재가 종료됐다. 이 결과는 사전에 정한 심혈관 결과에 관한 것이며 모든 건강 지표가 무효라는 뜻은 아니다. [주요 결과 논문](https://pubmed.ncbi.nlm.nih.gov/23796131/) 4년 분석에서 1년부터 4년까지의 추적값을 평균했을 때 집중 중재군의 체중 변화는 −6.15%, 비교군은 −0.88%였고 체력, HbA1c, 혈압 등 일부 지표가 개선됐다. 8년 시점에 초기 체중보다 5% 이상 감량한 비율은 집중 중재군 50.3%, 당뇨 교육과 지원군 35.7%였고, 10% 이상 감량 비율은 각각 26.9%, 17.2%였다. 8년 체중 분석은 비만 수술 후 측정값을 제외했다. [4년 분석](https://pubmed.ncbi.nlm.nih.gov/20876408/), [8년 분석](https://pubmed.ncbi.nlm.nih.gov/24307184/) 집중 생활습관 프로그램은 생활습관 상담만으로 구성되지 않았다. 6개월 감량 목표에 미달한 참가자에게 오를리스타트를 추가하는 선택지가 있었고, 1년차에는 519명이 사용했다. 이 시험의 감량률은 해당 약물 보조 선택지도 포함한 프로그램 결과다. [Look AHEAD 약물 선택지 설명](https://pmc.ncbi.nlm.nih.gov/articles/PMC3177753/) ![Look AHEAD 8년 시점의 감량 달성 비율](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/76738e5e-4ffc-4834-a5f7-6739a168904d.webp) *제2형 당뇨병을 동반한 참가자의 8년 결과. 원논문 수치로 재구성. [Look AHEAD, 2014](https://pubmed.ncbi.nlm.nih.gov/24307184/)* 체중, 체력, 혈당, 혈압과 장기 심혈관 사건은 각각 별도의 결과 지표다. ## 위약대조 시험과 두 약의 직접 비교 위고비(세마글루타이드)와 티르제파타이드(마운자로)의 주요 체중 감량 근거는 서로 다른 시험에서 나왔다. STEP 1은 당뇨병이 없는 성인 1,961명을 세마글루타이드 2.4mg 주 1회와 위약에 배정해 68주 추적했다. 시작 체중 대비 평균 변화는 각각 −14.9%와 −2.4%였다. SURMOUNT-1은 당뇨병이 없는 성인 2,539명을 티르제파타이드 5mg, 10mg, 15mg 주 1회 또는 위약군에 배정해 72주 추적했다. 평균 변화는 −15.0%, −19.5%, −20.9%, 위약 −3.1%였다. 두 시험 모두 식사와 신체활동 관련 생활습관 중재를 병행했다. 참가자와 설계, 기간이 다르므로 두 연구의 수치만으로 약제를 직접 비교할 수 없다. [STEP 1](https://pubmed.ncbi.nlm.nih.gov/33567185/), [SURMOUNT-1](https://pubmed.ncbi.nlm.nih.gov/35658024/) FDA 허가문서에도 같은 위약대조 시험의 시간별 체중 곡선이 수록돼 있다. 곡선은 시점별 관찰 평균이고, 맨 오른쪽 RD-MI 또는 HI 지점은 결측값 대체를 반영한 추정 평균이다. 그림의 방문별 참가자 수와 최종 추정치의 분모를 함께 읽는다. ![FDA 위고비 Figure 7의 왼쪽 STEP 1 및 오른쪽 당뇨병 동반 별도 시험](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/75bf074e-c822-4f56-ae99-b28abd7914be.webp) *FDA 위고비 2026 허가문서 37쪽 Figure 7. 왼쪽이 STEP 1의 1,961명 시험이며, 오른쪽은 다른 모집단이다. [원기관 PDF](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/215256s025lbl.pdf#page=37)* ![FDA 제프바운드 Figure 3의 SURMOUNT-1 용량별 체중 곡선](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/d81c8812-7e90-4790-b1ec-66caf3747469.webp) *FDA 제프바운드 2026 허가문서 19쪽 Figure 3. 2,539명 시험의 72주 관찰 곡선과 HI 추정 결과. 제프바운드는 티르제파타이드의 미국 체중 관리 제품명이다. [원기관 PDF](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf#page=19)* 2025년 SURMOUNT-5는 당뇨병이 없는 성인 751명을 공개라벨 방식으로 최대 내약 용량의 티르제파타이드 10mg 또는 15mg, 세마글루타이드 1.7mg 또는 2.4mg에 무작위 배정해 72주 비교했다. modified treatment-regimen estimand의 시작 체중 대비 평균 변화는 각각 −20.2%, −13.7%였다. 이는 하나의 시험에서 비교한 결과라 STEP 1과 SURMOUNT-1의 간접 비교보다 직접적인 근거다. 공개라벨 시험이고, 이전 비만 수술 참가자는 제외됐다. 논문의 별도 efficacy estimand 곡선은 다른 추정치이므로 두 분석의 수치를 혼합하지 않는다. [SURMOUNT-5 원논문 초록](https://pubmed.ncbi.nlm.nih.gov/40353578/), [DOI](https://doi.org/10.1056/NEJMoa2416394) ![SURMOUNT-5 두 약의 72주 감량 비교와 95% 신뢰구간](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/2b0963ad-e030-4eba-987d-f834fa41e8c3.webp) *원논문 추정 평균으로 재구성. 막대는 감량의 크기를 양수로, 오차막대는 각 군 평균의 95% 신뢰구간으로 표시했다. 원논문은 각각 −20.2%(−21.4\~−19.1), −13.7%(−14.9\~−12.6)를 보고했다. [Aronne 등, NEJM 2025](https://pubmed.ncbi.nlm.nih.gov/40353578/)* ## 중단 후 결과를 해석하는 기준 STEP 1 연장연구는 원시험 전체가 아니라 일부인 327명(세마글루타이드 228명, 위약 99명)을 탐색적으로 추가 추적했다. 세마글루타이드군은 68주까지 시작 체중 대비 17.3% 감량했다. 68주 이후 약물과 구조화된 생활습관 중재를 함께 중단했고, 52주 뒤인 120주에는 초기 체중 대비 평균 −5.6%로 이동했다. 논문이 보고한 중단 후 재증가는 11.6%포인트다. 각 시점의 변화율은 별도로 반올림한 값이다. 이 변화는 약물 중단만의 효과를 분리하지 않으며 선택된 연장연구 참여자의 결과다. [Wilding 등 연장연구](https://pubmed.ncbi.nlm.nih.gov/35441470/), [Figure 1A 원본 및 CC BY 4.0 표기](https://pmc.ncbi.nlm.nih.gov/articles/PMC9542252/figure/dom14725-fig-0001/) ![STEP 1 연장연구 Figure 1A: 세마글루타이드 투여 및 중단 뒤 평균 체중 변화](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/c1c5a7f2-ea81-4166-bb2e-fc09a39f56a7.webp) *Wilding 등, Diabetes, Obesity and Metabolism (2022), Figure 1A. 선택된 327명의 연장분석 중 세마글루타이드군 228명. 약물과 생활습관 중재 중단 뒤 추적한 논문 PDF의 고해상도 그림에서 패널 A를 발췌. [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)에 따른 사용. [원본 Figure 1](https://pmc.ncbi.nlm.nih.gov/articles/PMC9542252/figure/dom14725-fig-0001/)* 원논문의 고해상도 Figure 1은 PDF 5쪽(저널 1557쪽)에 있다. [Wiley 출판본의 공개 보관 PDF](https://healthyweightclinics.com/wp-content/uploads/2023/05/Diabetes-Obesity-Metabolism-2022-Wilding-Weight-regain-and-cardiometabolic-effects-after-withdrawal-of-semaglutide-1-1.pdf)에서도 같은 그림을 확인할 수 있다. SURMOUNT-4는 783명이 티르제파타이드 선행 투여를 시작했고, 36주 뒤 그중 670명을 계속 투여군과 위약 전환군 각 335명으로 무작위 배정했다. 무작위 배정된 670명의 첫 36주 평균 감량은 20.9%였다. 생활습관 지원은 이후에도 양 군에 제공됐다. 무작위 배정 후 52주 동안, 36주 시점 체중을 기준으로 계속 투여군 평균은 −5.5%, 위약 전환군은 +14.0%였다. 처음 연구를 시작한 체중을 분모로 한 88주 변화는 각각 −25.3%, −9.9%다. 36주 전에 이탈했거나 무작위 배정까지 도달하지 못한 사람은 이 비교의 분모가 아니며, 선행 치료를 마치고 무작위 배정된 집단의 결과다. 원 논문 Figure 2와 FDA 허가문서 Figure 6은 같은 시험을 수록한다. [SURMOUNT-4 원논문](https://pubmed.ncbi.nlm.nih.gov/38078870/), [Figure 2](https://pmc.ncbi.nlm.nih.gov/articles/PMC10714284/figure/joi230149f2/) ![FDA 제프바운드 Figure 6의 SURMOUNT-4 유지와 위약 전환 비교](https://www.readiz.com/assets/authored/76089de3-20d6-4a11-8e5a-732c0a901ee1/1af7a0cd-94cd-43f3-a130-195b7e43ac64.webp) *FDA 제프바운드 2026 허가문서 26쪽 Figure 6. 곡선의 세로축은 최초 체중 대비 변화이고, 주평가 결과 −5.5%와 +14.0%의 분모는 36주 체중이다. [원기관 PDF](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf#page=26)* ## 제지방 변화와 체성분 SURMOUNT-1에서 시작 시점과 72주 시점 모두 DXA 자료가 있는 160명을 분석했다. 티르제파타이드군에서 체지방량은 평균 33.9%, 제지방량은 10.9% 감소했고, 평균 감량분의 약 75%는 지방, 25%는 제지방이었다. 제지방에는 골격근 외에도 수분과 장기 등이 포함되므로 체성분, 근력과 기능은 구분해 평가한다. [하위연구](https://pubmed.ncbi.nlm.nih.gov/39996356/), [공개 전문](https://pmc.ncbi.nlm.nih.gov/articles/PMC11965027/) ## 약물의 작용과 안전성 자료의 범위 미국 FDA의 2026년 라벨에서 세마글루타이드는 GLP-1 수용체 작용제, 티르제파타이드는 GIP와 GLP-1 수용체 이중 작용제로 설명된다. 식욕과 에너지 섭취 조절에 작용하고 위 배출에도 영향을 줄 수 있다. 두 약의 미국 체중 관리 적응증은 열량 감소와 활동 증가를 함께 사용하는 조건을 포함한다. 연령, 제형, 동반질환에 따른 세부 적응증은 제품별로 다르므로 미국 라벨을 한국 허가사항으로 옮겨 쓰지 않는다. [위고비 미국 라벨](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/215256s025lbl.pdf), [제프바운드 미국 라벨](https://www.accessdata.fda.gov/drugsatfda_docs/label/2026/217806s041lbl.pdf) 두 라벨은 메스꺼움, 설사, 구토, 변비와 복통 등 위장관 증상을 흔한 이상반응으로 열거한다. 췌장염, 담낭질환, 탈수에 따른 급성 신손상, 중증 위장관 반응, 과민반응 등도 주의사항에 포함된다. 설치류에서 관찰된 갑상선 C세포 종양 경고와 인간에서의 위험이 알려지지 않았다는 점, 갑상선 수질암의 개인력이나 가족력 또는 MEN2 금기 등 적용 조건도 라벨에 명시돼 있다. ## 동반질환과 개인차 자료 미국 NHLBI는 비만, 특히 상체 비만을 폐쇄성 수면무호흡의 위험요인으로 제시한다. 2023년 ACC/AHA 심방세동 진료지침은 심방세동 환자에게 수면무호흡이 흔해 선별검사를 고려할 수 있다고 설명하며, 수면호흡장애 치료가 정상 심장리듬 유지에 미치는 효과는 불확실하다고 평가한다. 이 자료는 동반질환 선별과 치료효과를 구분해 읽는 데 활용할 수 있다. [NHLBI 지침](https://www.nhlbi.nih.gov/files/docs/guidelines/ob_gdlns.pdf), [ACC/AHA 심방세동 진료지침](https://www.heart.org/-/media/Files/Professional/Quality-Improvement/Get-With-The-Guidelines/Get-With-The-Guidelines-AFIB/AFib-Month-23/joglaretal20232023areportofaccahaaccphrsguidelineforthediagnosisandmanagementofatrialfibrillation.pdf) 2025년 세마글루타이드 2.4mg 관찰연구는 BMI 40 이상인 112명을 4개월 살펴 GLP1R 변이 및 성별과 감량 속도의 연관성을 보고했다. 이 집단의 관찰은 약물 반응의 유전적 차이를 연구하는 근거이며, 인구의 10%가 약물에 반응하지 않는다는 고정 비율을 확정하지 않는다. 일반적인 비임신 성인 HbA1c 기준은 5.7–6.4%가 당뇨병 전단계, 6.5% 이상이 당뇨병 범위다. [유전 변이 관찰연구](https://pubmed.ncbi.nlm.nih.gov/40384505/), [CDC HbA1c 기준](https://www.cdc.gov/diabetes/diabetes-testing/prediabetes-a1c-test.html) ## 국내 허가와 포괄적 관리 한국 식약처의 위고비와 마운자로 제품정보는 성인 체중 관리에서 저열량 식사와 신체활동 증가의 보조요법으로 약물을 사용하도록 설명한다. 제품별 BMI 조건과 동반질환, 금기 및 주의사항은 해당 허가문서에서 확인할 수 있다. WHO의 2025년 GLP-1 지침은 성인 비만의 장기 치료를 조건부 권고하며 식사, 활동과 의료진 지원을 포함한 포괄적 관리를 제시한다. [위고비 국내 허가정보](https://nedrug.mfds.go.kr/pbp/CCBBB01/getItemDetailCache?cacheSeq=202301384aupdateTs2026-10-16+18%3A02%3A01.248603b), [마운자로 국내 허가정보](https://nedrug.mfds.go.kr/pbp/CCBBB01/getItemDetailCache?cacheSeq=202502334aupdateTs2026-10-09+14%3A21%3A37.051014b), [WHO 지침 발표](https://www.who.int/news/item/01-12-2025-who-issues-global-guideline-on-the-use-of-glp-1-medicines-in-treating-obesity) 연령대별 비만 유병률을 비교할 때는 연령, 관측 시기와 출생 세대의 영향을 구분한다. 한 시점에서 고연령층의 유병률이 낮다는 사실만으로 사망이 그 차이를 만들었다고 확정할 수 없다. 체중 변화와 생존을 연결한 추적자료가 있어야 각 요인의 기여를 평가할 수 있다. [연령과 출생 코호트 분석 연구](https://pmc.ncbi.nlm.nih.gov/articles/PMC6988212/) ## 결과를 비교할 때 확인할 항목 - 분류 기준과 대상: 한국 BMI 기준인지 국제 기준인지, 당뇨나 동반질환이 있는 집단인지 확인한다. - 설계와 기간: 관찰연구, 무작위시험, 하위연구 중 무엇인지, 치료와 추적이 각각 얼마나 지속됐는지 확인한다. - 중재와 실제 행동: 제공된 식사와 활동 상담과 실제 섭취와 활동을 구분한다. - 결과와 분모: 정상 BMI 도달, 일정 비율 감량, 평균 체중 변화, 심혈관 사건은 다른 지표다. 변화율의 기준 체중과 연간 확률과 누적 확률을 확인한다. - 중단 시험: 추적을 시작한 체중과 약물과 생활습관 중 어떤 중재가 종료됐는지 확인한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/7eea8967-a8c7-4b32-8ac4-d5c476dffabc" title: "개인 Inbox로 이어가기" description: "원격 MCP 게이트웨이와 GitHub OAuth를 구성하고 Claude 웹, ChatGPT, Codex에서 작업을 이어가는 방법을 정리한다." kind: "llm-wiki" published: "2026-10-28T09:13:29.187Z" updated: "2026-10-28T10:04:14.897Z" tags: ["AI","MCP","작업 인계"] url: "https://www.readiz.com/llm-wiki/readiz-inbox-cross-ai-workflow/" markdownUrl: "https://www.readiz.com/llm-wiki/readiz-inbox-cross-ai-workflow/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # 개인 Inbox로 이어가기 # 개인 Inbox로 이어가기 개인 Inbox는 여러 AI에서 이어갈 작업의 결정, 근거, 남은 일을 보관하고 다음 세션에서 다시 읽게 하는 개인용 기록 저장소다. 대화 전체가 자동으로 공유되는 것은 아니다. 현재 AI가 인계할 내용을 저장하고, 다음 AI가 검색해 전체 기록을 읽은 뒤 일을 잇는다. 공개 설치 안내와 소스는 [Readiz/skills의 개인 Inbox 설정 안내](https://github.com/Readiz/skills/blob/main/docs/personal-inbox.md), [MCP 패키지](https://github.com/Readiz/skills/tree/main/packages/personal-inbox-mcp), [개인 Inbox 스킬](https://github.com/Readiz/skills/tree/main/skills/personal-inbox)에 있다. 공개 저장소의 코드를 이용해 각자가 관리하는 서버에 설치한다. 서버 호스트, 도메인, GitHub OAuth 앱과 비밀값은 사용하는 사람이 직접 준비한다. ## 원격 연결의 흐름 ```text Claude 웹 / ChatGPT / Gemini / Codex │ HTTPS + OAuth ▼ 개인이 운영하는 게이트웨이 ─ stdio ─ Inbox MCP ─ 개인 데이터 폴더 ``` 각 앱에서 동일한 HTTPS MCP 주소를 OAuth로 연결한다. 게이트웨이는 설정된 단일 GitHub 숫자 계정 ID를 확인하고, 로컬 MCP 서버를 통해 Inbox 데이터 폴더에 접근한다. 메모와 첨부는 서버 운영자가 지정한 개인 저장 경로에 남는다. 앱마다 연결 절차와 MCP 지원 범위가 다를 수 있으므로 사용하려는 앱에서 실제 연결을 확인한다. 개념적으로 작업 인계는 네 단계다. ```text 현재 AI가 필요한 맥락을 저장 → 다음 AI가 주제에 맞는 기록을 검색 → 선택한 기록의 전체 본문과 필요한 파일을 읽고 작업 → 결과와 남은 일을 다시 저장 ``` 이 흐름은 AI 앱을 바꿔도 작업의 출발점을 다시 설명하는 수고를 덜어준다. 저장하지 않은 대화는 전달되지 않으며, 새 세션은 실제로 읽은 기록만 맥락으로 사용할 수 있다. ## 원격 서버 설정 필요한 것은 Python 3.12 이상, `uv`, Node.js 24.22.1 이상, 안정적인 HTTPS origin, 영속 저장 공간, HTTPS reverse proxy다. 저장소를 내려받고 게이트웨이에서 잠금 파일 기준으로 설치한다. ```sh git clone https://github.com/Readiz/skills.git personal-inbox-setup cd personal-inbox-setup/packages/personal-inbox-mcp npm ci npm test cd gateway uv sync --locked cp .env.example .env chmod 600 .env ``` `.env.example`의 값을 각자 만든 환경의 값으로 채운다. 비밀은 공개 저장소나 채팅에 넣지 않는다. GitHub OAuth App callback은 `https://YOUR_HOST/auth/callback`으로 지정한다. `PERSONAL_INBOX_PUBLIC_URL`에는 `https://inbox.example.net`처럼 경로가 없는 HTTPS origin을 지정한다. GitHub OAuth는 사용자 식별에 필요한 `read:user` scope만 요청한다. `uv`는 `gateway/.python-version`에 지정된 Python 3.14.0 런타임을 준비하므로 시스템 Python과 별도로 설치할 수 있다. 필수 환경 변수는 다음과 같다. | 변수 | 의미 | | ------------------------------------------------------------------------- | -------------------------- | | `PERSONAL_INBOX_PUBLIC_URL` | 고정된 HTTPS origin | | `PERSONAL_INBOX_GITHUB_CLIENT_ID` / `PERSONAL_INBOX_GITHUB_CLIENT_SECRET` | 직접 만든 GitHub OAuth App 자격 | | `PERSONAL_INBOX_OWNER_GITHUB_ID` | 허용할 소유자 한 명의 숫자 계정 ID | | `PERSONAL_INBOX_JWT_SIGNING_KEY` | 재시작 뒤에도 유지할 무작위 32바이트 이상 키 | | `PERSONAL_INBOX_AUTH_DIR` | OAuth 상태를 저장할 비공개 영속 디렉터리 | | `PERSONAL_INBOX_DIR` | Inbox 데이터 디렉터리 | 선택 변수 `PERSONAL_INBOX_IMPORT_DIR`은 `PERSONAL_INBOX_DIR` 아래에 두며 기본값은 `imports`다. `PERSONAL_INBOX_NODE`는 Node 실행 파일을 PATH에서 찾을 수 없을 때 절대 경로로 지정한다. 인증 상태와 Inbox 데이터 경로는 저장소 바깥에 두고 서비스 계정만 접근하도록 한다. OAuth 저장소는 서명 키로 암호화되므로 데이터와 키의 보관 정책을 함께 정한다. HTTPS reverse proxy는 `127.0.0.1:8000`으로 요청을 전달한다. 코드 저장소의 `Caddyfile.example`을 시작 예시로 삼을 수 있다. 포트 8000을 인터넷에 직접 공개하지 않는다. 클라이언트용 MCP 주소는 `https://YOUR_HOST/mcp`, OAuth callback은 `/auth/callback`, OAuth metadata는 `/.well-known/oauth-authorization-server`다. `.env`를 만든 뒤 실행 전에 환경변수를 내보낸다. ```sh set -a . ./.env set +a uv run --locked python -m unittest -v uv run --locked python app.py ``` 먼저 상위 MCP 패키지에서 `npm ci`와 `npm test`를 해야 Node 하위 서버 의존성이 설치된다. `uv sync`만 하면 게이트웨이는 Node 코어를 실행할 수 없다. 저장소의 [게이트웨이 안내](https://github.com/Readiz/skills/blob/main/packages/personal-inbox-mcp/gateway/README.md)와 [패키지 도구 명세](https://github.com/Readiz/skills/blob/main/packages/personal-inbox-mcp/README.md)를 참고한다. 게이트웨이 통합 검사는 합성 서명 토큰과 모의 GitHub 응답으로 실제 Node MCP까지 연결해 허용 계정의 9개 도구 목록, 메모 저장과 읽기를 확인하고 다른 GitHub 숫자 계정은 거부되는지 확인한다. 이는 실제 GitHub 계정으로 OAuth 로그인을 끝내거나 Claude·ChatGPT·Gemini 제품 화면에서 도구 호출을 왕복한 증거가 아니다. 별도의 로컬 회귀 확인에서는 Claude Code가 합성 인계 메모를 저장하고 Codex CLI가 검색·전체 본문 읽기 뒤 결과를 다시 저장하는 데 성공했다. 저장된 두 기록에 같은 시험 문구가 남아 있는 것도 확인했다. 이는 웹 제품의 실제 OAuth 연결을 검증한 결과와 구분한다. 각자가 배포한 뒤에는 연결 화면에서 승인을 마치고, 합성 문구를 저장한 다음 다른 앱에서 찾아 전체 본문을 읽는 방식으로 확인한다. Codex CLI는 원격 URL을 등록하고 OAuth 로그인을 시작할 수 있다. ```sh codex mcp add personal-inbox --url https://YOUR_HOST/mcp codex mcp login personal-inbox codex mcp list ``` 목록은 설정이 등록되었는지 보여줄 뿐 실제 도구 왕복을 증명하지 않는다. Codex CLI와 데스크톱 앱, IDE 확장은 같은 호스트의 MCP 설정을 공유한다. ChatGPT 웹은 로컬 Codex CLI 설정과 별개이며 원격 MCP를 플러그인으로 연결한다. ### Claude 웹 **Customize → Connectors → + Add → Add custom connector**에서 이름과 `https://YOUR_HOST/mcp`를 입력한다. OAuth를 선택하고 OAuth client에서 **Register automatically**로 연결을 만든 뒤 GitHub 승인 화면에서 허용 계정으로 로그인한다. 실제 대화에서는 `+ → Connectors`에서 개인 Inbox를 활성화한다. Team/Enterprise에서는 조직 관리자가 먼저 Connector를 등록해야 할 수 있다. [Claude custom connectors 공식 안내](https://support.claude.com/en/articles/11175166-get-started-with-custom-connectors-using-remote-mcp)를 확인한다. ### ChatGPT 웹 웹의 **Plugins → + → Add custom MCP server**에서 이름과 설명, 공개 MCP 주소 `https://YOUR_HOST/mcp`를 입력한다. Authentication에서 OAuth 승인을 마치고 플러그인을 생성한 다음 도구를 확인하고 설치/연결한다. 새 대화에서 `@`로 해당 플러그인을 고른다. [ChatGPT의 기존 MCP 서버 연결](https://learn.chatgpt.com/docs/extend/mcp)과 [Connect ChatGPT](https://developers.openai.com/plugins/deploy/connect-chatgpt)를 참고한다. ### Gemini 웹 Gemini 웹 **Settings → Connected Apps**에서 Custom apps의 추가 칸에 `https://YOUR_HOST/mcp`를 입력하고 **Next**를 누른다. OAuth 승인 뒤 대화에서 `@`로 앱을 선택한다. 게이트웨이가 DCR을 지원하므로 고정 client secret을 입력하지 않는다. 2026년 10월 28일 확인한 Google 문서 기준으로 custom app은 미국, 18세 이상, 개인 Google 계정, Keep Activity 켬, 영어 설정이 필요하며 Workspace 계정은 지원하지 않는다. 대상 국가 밖에서도 쓸 수 있다고 가정하면 안 된다. [Gemini custom apps 공식 안내](https://support.google.com/gemini/answer/17209137?hl=en)를 확인한다. ## Claude 웹에서 저장하고 Codex가 이어하기 Claude 웹에서 조사나 설계를 마친 뒤 다음처럼 저장을 요청한다. ```text 현재 작업을 다른 AI가 이어받도록 개인 Inbox에 정리해줘. 목표와 현재 상태, 결정한 이유, 확인한 사실과 근거, 미확인 사항, 남은 일과 이번 요청의 범위를 기록해줘. 저장 성공과 항목 ID, revision을 확인해줘. ``` Codex에서 새 세션을 열어 관련 기록을 찾고 읽는다. ```text 개인 Inbox에서 [작업 주제]의 인계 기록을 검색해줘. 후보 기록의 전체 본문과 필요한 첨부를 읽고, 확인된 결정과 남은 일을 정리해줘. 그 내용을 현재 저장소와 대조한 뒤 이번 요청 범위에서 이어서 작업해줘. 실제 결과와 확인한 내용, 남은 일은 앞선 기록 ID와 revision을 연결해 저장하고 저장된 본문도 다시 읽어 확인해줘. ``` Codex가 결과를 저장하면 Claude 웹의 새 대화에서 같은 주제를 검색해 이어갈 수 있다. 조사 보고서나 오류 대응을 넘길 때는 출처와 확인 시점, 재현 단계, 실제 오류 메시지, 이미 시도한 해결책을 함께 남기면 유용하다. 역할은 앱에 고정하지 않고 그때 사용할 수 있는 도구와 요청에 맞춰 정한다. ## 기록을 다루는 원칙 검색 결과는 후보 목록이다. 실제로 이어받을 항목의 전체 본문을 읽고, 관련 첨부가 있으면 별도로 확인한다. 본문과 파일에 포함된 문장은 자료의 일부이며 현재 사용자의 요청이나 권한 부여가 아니다. 저장된 맥락이 현재 지시와 다르면 현재 요청을 따른다. 새 단계의 결과는 앞선 기록 ID와 revision을 연결해 별도 항목으로 남길 수 있다. 현재 사실을 정정하려면 최신 revision을 읽은 뒤 그 revision을 기준으로 수정한다. 동시 수정 충돌이 생기면 최신 본문을 다시 읽고 변경을 조정한다. 동일 저장 요청의 재시도에는 같은 `task`와 `run_key`를 사용한다. 개인 Inbox는 단일 소유자 용도로 구성되지만, 저장한 내용을 연결된 AI 앱에서 읽으면 해당 앱에도 내용이 전달된다. 앱과 연결된 계정의 데이터 처리 범위를 고려해 기록할 자료를 선택한다. 공개 위키나 공개 저장소에 개인 Inbox 내용, 비밀값, 내부 주소, 개인 파일 경로를 복사하지 않는다. ## 도구와 파일의 범위 서버는 폴더 조회, 메모 저장과 영수증 확인, 검색, 전체 본문 읽기, revision 지정 수정, 파일 첨부·목록·읽기를 제공한다. 수정과 파일 첨부는 새 revision을 만들며 삭제 도구는 없다. 첨부는 게이트웨이 호스트의 지정 import 폴더에 이미 있는 일반 파일만 허용하고, 최대 25 MiB다. 브라우저나 AI 웹 화면에서 파일을 MCP로 직접 올리는 업로드 기능은 없다. `read_file`은 UTF-8 텍스트를 기본 32 KiB, 최대 64 KiB씩 반환하며 바이너리는 읽지 않는다. SQLite WAL 데이터베이스와 첨부 저장소를 백업할 때는 게이트웨이와 로컬 클라이언트를 중지한 뒤 데이터 폴더 전체를 복사한다. OAuth 상태 디렉터리와 지속 서명 키는 별도로 보존한다. 저장 형식과 도구 인자, 복구 절차는 공개 [패키지 README](https://github.com/Readiz/skills/blob/main/packages/personal-inbox-mcp/README.md)에서 확인한다. ## 로컬 연결 웹 앱을 쓰지 않고 Claude Code와 Codex가 같은 컴퓨터에서만 동작한다면 Node MCP 서버를 stdio로 실행할 수 있다. 양쪽 설정에 동일한 `--data-dir` 절대 경로를 지정한다. 이 방식은 컴퓨터 사이 동기화를 제공하지 않는다. 설치 명령과 도구 범위는 공개 [패키지 README](https://github.com/Readiz/skills/tree/main/packages/personal-inbox-mcp)를 확인한다. ## 참고 링크 - [공개 설치 안내](https://github.com/Readiz/skills/blob/main/docs/personal-inbox.md) - [MCP 패키지와 gateway 코드](https://github.com/Readiz/skills/tree/main/packages/personal-inbox-mcp) - [개인 Inbox 스킬](https://github.com/Readiz/skills/tree/main/skills/personal-inbox) - [MCP TypeScript SDK 시작하기](https://ts.sdk.modelcontextprotocol.io/v2/get-started/first-server) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/caded211-9819-459e-a762-0801d754a348" title: "Claude Code 모바일 원격 연결과 세션 보존" description: "Claude Code Remote Control의 기존 대화와 새 대화 연결, 서버 모드, 모바일 왕복 및 세션 복귀 검증 절차를 정리한다." kind: "llm-wiki" published: "2026-10-27T13:49:52.593Z" tags: ["Claude Code","AI","Remote Control"] url: "https://www.readiz.com/llm-wiki/claude-code-remote-control-mobile-sessions/" markdownUrl: "https://www.readiz.com/llm-wiki/claude-code-remote-control-mobile-sessions/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # Claude Code 모바일 원격 연결과 세션 보존 정리 기준: 2026-10-27. Claude Code Remote Control은 로컬에서 실행 중인 Claude Code 세션을 휴대전화나 웹에서 이어서 다루는 기능이다. 코드와 파일, MCP 도구 실행은 세션을 띄운 컴퓨터에서 이뤄진다. 공식 절차와 현재 지원 범위는 [Remote Control 문서](https://code.claude.com/docs/en/remote-control), [모바일 문서](https://code.claude.com/docs/en/mobile), [Desktop 문서](https://code.claude.com/docs/en/desktop)를 확인한다. ## 기존 대화와 새 대화 연결하기 이미 실행 중인 Claude Code 대화에서 `/remote-control` 또는 `/rc`를 입력하면 그 대화에 원격 접속을 연다. 새 대화를 시작하면서 원격 연결을 열려면 다음 명령을 실행한다. ```sh claude --remote-control ``` 매번 명령을 입력하지 않으려면 Claude Code의 `/config`에서 Remote Control 자동 연결을 설정한다. 사용자 설정 파일에 직접 적용할 때는 `~/.claude/settings.json`의 기존 JSON 객체에 다음 속성을 병합한다. ```json { "remoteControlAtStartup": true } ``` 프로젝트 설정의 `remoteControlAtStartup: true`는 사용자 시작 시 자동 연결을 켜지 않는다. 프로젝트 설정에 `false`를 두면 그 저장소에서는 사용자 자동 연결을 끈다. 사용자 전역 설정과 프로젝트 범위 설정을 함께 살피고 원하는 적용 범위를 고른다. 설정 위치와 우선순위는 [Remote Control 공식 설정 설명](https://code.claude.com/docs/en/remote-control)에서 확인할 수 있다. ## 별도 서버 모드와 worktree `claude remote-control`은 현재 대화에 연결하는 `/remote-control` 명령과 다르게 원격 요청을 받는 서버를 시작한다. 서버를 시작한 디렉터리에서 기본 세션이 열리고, 이후 원격 요청으로 새로 만드는 세션에는 `--spawn worktree`를 지정해 요청별 worktree를 사용할 수 있다. 이미 진행 중인 대화는 이 서버로 옮겨지지 않는다. 서버 명령과 격리 옵션은 [Remote Control 문서](https://code.claude.com/docs/en/remote-control)의 현재 설명을 따른다. ## 휴대전화에서 연결하고 확인하기 같은 계정으로 Claude 모바일 앱에 로그인하고 Code 탭에서 실행 중인 세션을 고른다. 터미널에 표시된 QR 코드나 URL로 해당 세션을 열 수도 있다. 모바일에서 보낸 요청은 PC의 Claude Code 프로세스가 처리하므로 PC와 프로세스, 네트워크 연결이 유지되어야 한다. 모바일에서 Code 세션을 여는 방법은 [모바일 문서](https://code.claude.com/docs/en/mobile)에 설명되어 있다. | 기능 | 주된 목적 | 작업이 이뤄지는 곳 | | --------------- | -------------------------------- | ----------------------------------- | | Remote Control | 모바일이나 웹에서 Claude Code 대화를 이어서 사용 | Claude Code 세션과 코드 도구가 실행 중인 로컬 컴퓨터 | | Computer use | 데스크톱 화면을 보고 마우스와 키보드로 GUI 작업 | 권한이 부여된 데스크톱 환경 | | Cowork Dispatch | 모바일에서 데스크톱 Cowork에 작업을 보냄 | Cowork 세션과 그 작업 실행 환경 | Remote Control은 터미널 기반 Claude Code 세션에 연결한다. Computer use는 화면과 입력 장치를 사용해 GUI를 다룬다. Dispatch는 모바일 요청을 Cowork로 보낸다. 목적과 연결되는 실행 환경이 다르므로 필요한 작업에 맞는 기능을 선택한다. Desktop 사용 방식은 [Claude Code Desktop 문서](https://code.claude.com/docs/en/desktop)에서 확인한다. ## 기존 세션을 보존하고 왕복 검증하기 세션을 재시작하거나 복원할 때는 기존 대화 식별 정보와 실행 중인 작업, 세션별 모델 선택을 먼저 확인한다. 사용자 기본 모델과 현재 세션 모델은 별개로 다룬다. 프로세스 재시작, 대화 복원, 모델 변경은 각각 다른 결과이므로 한 동작의 성공으로 나머지까지 확인됐다고 보지 않는다. 세션 복구와 모델 보존 절차는 [Claude 세션 처리 스킬](https://github.com/Readiz/skills/blob/2c931a3eaa3ed7733b5a9b6c0115d9b2899bd751/skills/claude-session-handling/SKILL.md)을 참고한다. 공통 역할 분담은 필요할 때 [Claude Code 공통 작업 지침](https://github.com/Readiz/skills/blob/2c931a3eaa3ed7733b5a9b6c0115d9b2899bd751/docs/claude-code-workflow.md)을 본다. 실제 연결을 쓰기 전에는 다음 항목을 차례로 확인한다. 1. PC에서 Remote Control을 시작하고 모바일 Code 탭에 같은 세션이 보이는지 확인한다. 2. 휴대전화에서 짧은 요청을 입력한다. PC의 해당 Claude Code 세션에서 응답과 파일 작업이 실행되는지 확인한다. 3. 생성된 응답이 휴대전화에 다시 표시되는지 확인한다. 이 왕복을 통해 모바일 입력, PC 처리, 모바일 표시를 각각 확인한다. 4. 네트워크가 잠시 끊기거나 절전에서 복귀한 뒤 동일 세션으로 다시 연결되는지 확인한다. 5. 재부팅 후 자동 시작이 필요하면 로그인 뒤 프로세스 자체가 시작되는지 확인하고 모바일 연결도 다시 시험한다. Remote Control 자동 연결은 이미 실행되는 프로세스의 연결 동작이며 운영체제 로그인 시 프로세스를 시작하는 설정과는 별개다. 확인 결과는 모바일 입력 처리, PC 실행, 모바일 결과 표시, 네트워크 복귀와 재부팅 뒤 프로세스 시작으로 나눠 남긴다. 이를 통해 어느 구간에서 연결이 끊기는지 구별할 수 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/bc56f99e-45a1-4ccc-bdd2-ad4cc556751a" title: "Codex 서브에이전트 위임 기준과 모델 검증" description: "Sol의 사전 위임 기준, Terra 조사와 Luna 구현 흐름, 역할 설정과 실행 근거, 성과 비교 방법을 정리한다." kind: "llm-wiki" published: "2026-10-27T13:39:23.220Z" tags: ["Codex","AI","서브에이전트"] url: "https://www.readiz.com/llm-wiki/codex-subagent-delegation-model-effort-verification/" markdownUrl: "https://www.readiz.com/llm-wiki/codex-subagent-delegation-model-effort-verification/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # Codex 서브에이전트 위임 기준과 모델 검증 정리 기준: 2026-10-27. Codex 서브에이전트는 메인 대화가 조사, 구현, 검토처럼 나눌 수 있는 일을 별도 실행 단위에 맡기고 결과를 받아 통합하는 기능이다. 아래 Sol, Terra, Luna 역할과 작업 순서는 Readiz가 선택한 운영 기준이다. 공식 문서는 에이전트 정의와 호출 동작을 설명하므로, 실제로 지원되는 모델과 설정 형식은 [Subagents 문서](https://learn.chatgpt.com/docs/agent-configuration/subagents)와 [AGENTS.md 문서](https://learn.chatgpt.com/docs/agent-configuration/agents-md)에서 확인한다. ## 작업을 나누는 기준 Readiz의 Sol 메인 구성에서는 의미 있는 코드, 설정, 문서 구현을 시작하기 전에 범위와 수용 조건을 정하고 implementer에게 실제로 맡긴다. 짧은 답변과 오탈자, 행동과 영향이 이미 확정된 국소 변경만 메인이 직접 처리한다. 파일 수나 줄 수, 단지 직접 하는 편이 빠르다는 이유로 이 예외를 넓히지 않는다. 그 밖에 수용 조건을 정할 수 있는 구현은 시작 전에 맡기고, 먼저 구현한 뒤 시험 호출하는 것으로 대신하지 않는다. | 역할 | 모델과 Effort 예시 | 맡길 일 | | -------------------- | --------------------------- | --------------------------------------- | | 메인 Sol | `gpt-6.1-sol`, 현재 대화의 선택 유지 | 요구사항, 설계, 분해, 통합과 최종 검증 | | 메인 Astra | `gpt-6-astra`, 현재 대화의 선택 유지 | 작업에 맞춰 직접 처리, 위임, 병렬화와 검증 범위를 자율적으로 결정 | | `browser_researcher` | `gpt-6.1-terra`, `medium` | 복잡한 브라우저 재현, UI 조사, 외부 자료 확인과 근거 수집 | | `implementer` | `gpt-6-luna`, `medium` | 정해진 범위와 수용 조건에 따른 코드, 설정, 문서 구현과 필요한 검사 | | `reviewer` | `gpt-6.1-sol`, `xhigh` | 보안, 동시성, 여러 구성요소의 회귀처럼 위험이 큰 변경의 독립 검토 | 모델 이름과 Effort는 이 운영안의 예시다. 계정, 클라이언트, 현재 실행 도구에서 실제 선택할 수 있는지 확인한다. 사용자가 선택한 메인 모델과 Effort를 바꾸지 않는다. Astra와 다른 메인 모델은 역할 구성을 참고하되 직접 수행할지, 위임할지, 병렬로 나눌지를 자율적으로 정한다. Sol은 먼저 요구사항과 수용 조건을 설계한다. 필요한 경우 Terra가 조사하고, 그 결과가 구현의 선행조건이면 조사 후 범위를 확정해 Luna에게 맡긴다. Luna가 구현한 뒤 위험이 큰 변경은 Sol reviewer가 독립 검토하고, 메인이 통합해 최종 검증한다. 조사와 구현이 서로 기다릴 필요가 없으면 독립 작업을 병렬로 나눌 수 있다. 예를 들어 설정 화면에 저장 항목을 추가할 때 Sol은 수정 파일과 저장 후 재진입 같은 수용 조건을 먼저 정하고 Luna에 구현을 맡긴다. 브라우저별 메뉴 겹침을 고칠 때는 Terra가 해당 브라우저에서 실제 화면을 조사하고 재현 조건을 보고한 뒤 Luna가 수정할 수 있다. 인증 경계나 데이터 이관처럼 영향이 큰 변경은 구현 후 Sol reviewer가 독립 검토하고 메인이 최종 결과를 확인한다. 이미 확정된 문구의 오탈자만 고치는 경우에는 메인이 직접 처리할 수 있다. ## 설정 파일과 공통 지침 기본 Codex 홈을 쓰는 예시 구조는 다음과 같다. 사용자 역할 정의는 `~/.codex/agents/`에, 해당 프로젝트에만 적용할 정의는 저장소의 `.codex/agents/`에 둘 수 있다. `CODEX_HOME`을 바꾼 환경에서는 실제 홈을 먼저 확인한다. ```text ~/.codex/ ├── config.toml ├── AGENTS.md └── agents/ ├── browser_researcher.toml ├── implementer.toml └── reviewer.toml ``` 새 대화의 기본 모델과 하위 에이전트 사용 한도를 `~/.codex/config.toml`에 병합하는 예시는 다음과 같다. 파일 전체를 예시로 교체하지 말고 기존 항목과 중복 키를 확인한다. ```toml model = "gpt-6.1-sol" [agents] enabled = true max_concurrent_threads_per_session = 3 ``` 새 대화의 기본 추론 강도도 정하려면 최상위에 `model_reasoning_effort = "xhigh"`를 추가할 수 있다. 이 설정은 현재 대화에서 사용자가 직접 선택한 모델과 Effort보다 우선하는 지시가 아니다. Codex 설정의 계층과 우선순위는 [공식 Config 문서](https://learn.chatgpt.com/docs/config-file/config-basic)를 확인한다. 역할별 TOML은 에이전트의 이름, 설명, 지침, 모델과 Effort를 정의한다. 사용자 `AGENTS.md`는 어떤 상황에서 역할을 부르고 어떻게 결과를 통합할지 알려주는 공통 작업 지침이다. 역할 TOML을 만들었다고 자동으로 매 작업에서 위임되는 것은 아니며, 공통 지침만으로 해당 역할의 도구 권한이나 샌드박스를 높일 수도 없다. 공식 형식의 필수 항목과 범위는 [Subagents 문서](https://learn.chatgpt.com/docs/agent-configuration/subagents)를 참고한다. 예를 들어 다음은 구현 역할 하나를 정의하는 완결된 사용자 범위 TOML이다. 프로젝트 파일에서 사용하려면 `.codex/agents/implementer.toml`에 둘 수 있다. `~/.codex/agents/implementer.toml` ```toml name = "implementer" description = "부모가 정한 범위와 수용 조건에 따라 구현하고 필요한 검사를 수행합니다." model = "gpt-6-luna" model_reasoning_effort = "medium" developer_instructions = """ 부모가 지정한 파일과 수용 조건 안에서 구현합니다. 저장소의 지침을 따르고 무관한 리팩터링이나 다른 작업자의 파일 수정은 피합니다. 필요한 검사를 실행하고 수정 파일, 결과와 미확인 범위를 보고합니다. 설계나 범위가 모호하면 임의로 확대하지 말고 근거와 질문을 부모에게 전달합니다. """ ``` 사용자 공통 `~/.codex/AGENTS.md`에는 다음과 같이 위임 기준을 간결하게 적을 수 있다. 실제 환경의 더 좁은 프로젝트 지침과 관리 정책도 함께 확인한다. ```markdown ## 서브에이전트 활용 - 사용자가 선택한 메인 모델과 Effort를 유지한다. - Sol 메인에서는 짧은 답변, 오탈자, 행동과 영향이 확정된 국소 변경만 직접 처리한다. 파일 수나 줄 수, 단지 직접 하는 편이 빠르다는 이유로 예외를 넓히지 않고, 그 외 구현은 범위와 수용 조건을 정해 시작 전에 implementer에게 맡긴다. - 복잡한 브라우저 재현이나 외부 조사는 browser_researcher에 맡기고, 그 결과가 선행조건이면 범위를 확정한 뒤 구현을 위임한다. - 현재 대화의 서브에이전트 도구로 실제 위임한다. 별도 CLI 설정 시험으로 현재 대화의 위임을 대신하지 않는다. - 독립 작업만 병렬화한다. 위험이 큰 변경에만 reviewer를 추가한다. - 각 요청에 목표, 허용 파일, 수정 금지 범위, 수용 조건, 검사와 반환할 내용을 적는다. - 실제 모델, 도구, 권한과 상위 정책을 확인한다. 사용할 수 없는 역할은 그렇게 보고하고 위임했다고 주장하지 않는다. - 메인은 반환 결과와 diff, 검사 근거를 확인해 통합하고 최종 검증한다. - Astra와 다른 메인 모델은 직접 수행과 위임을 자율적으로 판단한다. ``` 이 공통 지침은 Codex 설정의 `AGENTS.md` 동작을 사용자 선호에 맞춰 사용하는 예시다. 명시적 위임 요청이나 적용되는 지침에 따라 하위 에이전트가 실행되는 공식 동작과, Readiz가 정한 Sol 위임 기준을 구별한다. 제품 기능의 최신 내용은 [공식 Subagents](https://learn.chatgpt.com/docs/agent-configuration/subagents)와 [AGENTS.md](https://learn.chatgpt.com/docs/agent-configuration/agents-md)에서 확인한다. ## 역할 요청과 실행 근거 작업 패킷에는 역할이 독립적으로 움직이고 메인이 결과를 검토하는 데 필요한 정보를 적는다. ```text 목표: 알림 설정값을 화면에서 변경하고 저장한다. 허용 파일: src/settings/notifications.ts, src/settings/NotificationsPanel.tsx 수정 금지 범위: 데이터베이스 스키마와 다른 설정 화면 수용 조건: 선택값이 새로고침 뒤에도 유지되고 기존 기본 동작을 보존한다. 필요한 검사: 관련 단위 검사, 화면에서 저장한 뒤 재진입했을 때 값 확인 반환할 결과: 수정 파일, 구현 요약, 실행한 검사와 결과, 미확인 동작 또는 막힌 점 ``` 조사 요청에는 답할 질문과 사용할 수 있는 검색 또는 브라우저 도구를 정하고, 관찰한 사실과 추론을 구분해 달라고 한다. 검토 요청에는 파일 수정 금지와 확인할 위험을 지정한다. 메인은 실제로 어떤 역할이 실행됐는지, 어떤 모델과 Effort가 사용됐는지, 어떤 결과가 반환됐는지 확인한다. 설정 파일이 저장됐다는 사실은 역할이 현재 대화에서 실행됐다는 증거가 아니다. 별도 CLI의 `/subagents` 또는 설정 시험은 그 CLI 설정을 확인한 결과다. 현재 대화의 실제 위임은 대화에 연결된 네이티브 서브에이전트 실행과 반환 결과로 확인한다. 역할 지침에 브라우저 조사를 적어도 실제 브라우저 도구가 연결되고 화면을 관찰한 경우에만 브라우저 재현을 확인했다고 보고한다. 문서 검색만 했다면 조사 범위를 문서로 한정한다. 하위 실행은 부모의 권한과 연결 도구, 샌드박스 및 상위 정책 범위 안에서 이뤄진다. 역할 지침은 실행 권한을 부여하지 않는다. 모델이나 Effort를 지정할 수 없거나 도구와 권한이 없으면 그 제한과 미실행 범위를 밝힌다. 확인하지 않은 대체 모델로 조용히 바꾸거나 실행하지 않은 위임을 완료로 기록하지 않는다. 초기 상속 컨텍스트와 하위 역할이 실제로 사용한 실행 컨텍스트를 구분하고, 로그 형식은 클라이언트 버전에 따라 확인한다. 특정 스키마에 관한 과거 보고가 현재 모든 버전의 제약을 증명하지는 않는다. 관련 사례는 [GPT-5.6 Sol cannot specify subagent models 이슈](https://github.com/openai/codex/issues/31814)에서 볼 수 있다. ## 공개 사례와 성과 비교 공개 사례는 역할 구성의 아이디어로 읽고 보편적인 성능이나 절감 보장으로 바꾸지 않는다. - 한 Reddit 사용자는 Astra Ultra를 메인으로 두고 기본 하위 역할에 Sol xhigh, 쉬운 작업에는 Luna xhigh 또는 max를 권하는 구성을 공유했다. 실제 위임 여부는 Astra가 판단한다. 작성자는 통제된 벤치마크를 하지 않았다고 명시했다. [Astra Ultra with Sol/Luna subagents has been working really well for me](https://www.reddit.com/r/codex/comments/1wqwkza/astra_ultra_with_solluna_subagents_has_been/) - [codex_workflow](https://github.com/viettran-edgeAI/codex_workflow)는 Light 작업은 직접 처리하고 Heavy 작업은 Executor와 Tester가 구현과 검증을 맡으며, Explorer와 Investigator, Archivist가 조사 역할을 나누는 공개 구성이다. 저장소의 절감과 속도 설명은 제작자의 주장과 초기 사례로 읽는다. - [codex-astra-luna-orchestrator](https://github.com/donvito/codex-astra-luna-orchestrator)는 Astra와 Sol, Luna의 메인 프로필, Luna의 Explorer, Worker, Researcher, Tester 역할, 상위 검토 뒤 메인 통합 흐름을 제시한다. 설치를 권하기보다 역할 구성과 [토큰 사용량 측정 가이드](https://github.com/donvito/codex-astra-luna-orchestrator/blob/main/guides/token-usage.md)의 측정 범위를 참고한다. 직접 처리와 위임 방식을 비교하려면 동일한 저장소 상태와 대표 작업을 정하고 여러 번 반복한다. 모델, Effort, 도구, 검사 범위와 시작 시점의 변경을 기록하고 실행 순서는 가능하면 섞는다. 결과의 품질과 수용 조건 통과, 결함의 수와 심각도, 총 경과 시간, 조사와 대기 시간, 재작업, 되돌린 변경을 함께 비교한다. 호출된 역할과 모델, 호출 수 및 결과도 기록한다. 토큰 보고서에는 캐시를 읽은 입력과 캐시를 쓴 입력, 캐시되지 않은 입력과 출력이 각각 포함되는지, 반복 실행이 합산되는지, 계기판이 어떤 범위를 집계하는지 구분해 적는다. 토큰 수는 계정 전체 사용량 변화와 같은 지표가 아니다. 같은 계정의 5시간 창과 주간 사용량을 시작과 종료 시점에 적고, 다른 세션이나 동시 작업이 있었는지도 함께 기록한다. 다른 작업이 같은 시간에 돌았다면 계정 사용량 차이를 한 실험에 귀속하지 않는다. 작업 품질, 시간, 재작업과 사용량을 같이 살펴보고 한 번의 결과를 일반화하지 않는다. 정형 보고는 비교 실험이나 요청이 있을 때 작성하면 된다. Readiz 운영 기준과 역할별 설정 예시는 [Codex 모델과 에이전트 운영 문서](https://github.com/Readiz/skills/blob/2c931a3eaa3ed7733b5a9b6c0115d9b2899bd751/docs/codex-agent-workflow.md), 작업 유형별 예시와 측정 방법은 [Codex 에이전트 분담 패턴](https://github.com/Readiz/skills/blob/2c931a3eaa3ed7733b5a9b6c0115d9b2899bd751/docs/codex-multi-agent-patterns.md)을 참고한다. 정리 시점 이후에는 모델 목록과 설정 동작이 달라질 수 있으므로 실제 환경에서 선택 가능한 값을 확인한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/c52e288a-5d2c-48e7-9374-14f953115cda" title: "미국 집값이 버티는 이유는 과거에 빌린 돈에 있다" description: "유가와 물가, 채권금리를 거쳐 비싸진 새 대출과 과거의 낮은 30년 고정금리가 함께 주택 거래를 막는 구조를 월 상환액 계산과 미국 자료로 살펴본다." kind: "record" published: "2026-10-25T22:19:03.617Z" tags: ["주택가격","금리","미국 경제"] url: "https://www.readiz.com/records/us-housing-mortgage-rates-lock-in/" markdownUrl: "https://www.readiz.com/records/us-housing-mortgage-rates-lock-in/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 미국 집값이 버티는 이유는 과거에 빌린 돈에 있다 미국에서 집을 사기 어려워진 이유는 새로 빌리는 돈은 비싸졌는데, 이미 집을 가진 사람의 대출은 여전히 싸기 때문이다. 높은 금리가 매수자를 줄이는 동안, 과거의 낮은 고정금리는 집주인이 집을 팔고 이사할 이유까지 줄였다. 거래가 식어도 새 매수자가 감당할 만큼 집값이 내려오지 않는 구조다. 알간지가 2026년 10월 25일 공개한 「지금 미국 애들 집 못사는 진짜 이유」는 이 문제를 유가, 물가, 연준, 국채, 모기지 순서로 설명한다. 앞부분의 금리 이야기는 왜 새 대출이 비싸졌는지를, 마지막의 30년 고정금리 이야기는 왜 기존 집주인이 버틸 수 있는지를 보여준다. 둘을 같이 봐야 지금의 주택 구매 부담이 이해된다. [YouTube: 지금 미국 애들 집 못사는 진짜 이유](https://www.youtube.com/watch?v=yfSMojDAGqg) ## 집값보다 먼저 달라진 것은 매달 내는 돈 모기지는 주택을 담보로 받는 대출이다. 집을 살 때 자기 돈으로 계약금과 일부 잔금을 마련하고, 나머지를 장기간 빌려 갚는 방식이다. 같은 가격의 집이라도 대출금리가 올라가면 매달 갚아야 할 돈이 늘어난다. 집값이 그대로라는 말과 집을 살 수 있다는 말 사이에 금리가 끼어 있다. 영상 초반에는 모기지 금리 7.28%가 등장한다. Freddie Mac의 주간 PMMS에서 2026년 10월 22일 미국 30년 고정 모기지 평균금리는 7.32%다. 코로나 시기의 저점은 2021년 1월 7일 2.65%였다. 아래 계산에는 기준일이 확인되는 PMMS의 두 금리를 사용한다. [현재 PMMS](https://www.freddiemac.com/pmms)와 [당시 공식 발표](https://freddiemac.gcs-web.com/news-releases/news-release-details/mortgage-rates-hit-new-record-low-first-week-2021/)에서 확인할 수 있다. ![영상에서 모기지 금리 7.28%를 설명하는 장면](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/3721188e-e80b-4dcb-8d2c-a8c086443d90.webp) *영상에서 제시한 모기지 금리. [알간지Alganzi, 1:26](https://www.youtube.com/watch?v=yfSMojDAGqg\&t=86s)* 40만 달러짜리 집을 사면서 20%를 자기 돈으로 내고, 32만 달러를 30년 원리금 균등상환으로 빌린다고 해보자. 금리가 2.65%면 매달 원금과 이자로 약 1,289달러를 낸다. 같은 원금에 7.32%를 적용하면 약 2,198달러다. 매달 약 909달러, 비율로는 70.5%가 늘어난다. 이 계산은 재산세와 주택보험료, 대출 수수료를 제외하고 금리 차이가 만드는 부담만 비교한 것이다. ![32만 달러 30년 대출의 월 원리금 비교: 2.65%에서 1289달러, 7.32%에서 2198달러](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/eabb5710-3355-44d2-b4ae-b783d192a865.webp) *Freddie Mac의 2021년 1월 7일과 2026년 10월 22일 금리로 계산한 비교. 원금 32만 달러와 상환기간 360개월을 동일하게 적용.* 거꾸로 월 1,289달러라는 예산을 유지하면, 7.32%에서 빌릴 수 있는 원금은 약 18만 7,717달러로 줄어든다. 소득이 그대로인 매수자가 선택할 수 있는 집의 범위가 크게 좁아지는 셈이다. 판매자가 가격을 조금 깎아주는 정도로는 이 격차가 사라지기 어렵다. ## 기름값이 오르면 왜 집 대출까지 비싸질까 영상은 2026년 2월 시작된 중동 전쟁과 원유 공급 불안을 출발점으로 삼는다. 석유는 자동차 연료뿐 아니라 물류와 항공, 석유화학 제품 등 여러 생산 과정에 들어간다. 공급 차질로 가격이 뛰면 에너지를 직접 사는 비용과 상품을 만들고 옮기는 비용이 함께 올라간다. 이 충격이 얼마나 오래가느냐에 따라 기업의 가격 책정과 소비자의 지출도 달라진다. 미국 에너지정보청 EIA의 2026년 7월 분석은 호르무즈 해협의 운송 차질이 2분기 원유 가격과 변동성을 높였다고 설명한다. 브렌트유 최근월 선물은 4월 29일 배럴당 118달러까지 올랐다가 6월 26일에는 72달러로 내려왔다. 공급 차질과 운송 재개 기대가 가격을 크게 움직였다는 뜻이다. [EIA 원문](https://www.eia.gov/todayinenergy/detail.php?id=67865) ![2025년 4월부터 2026년 6월까지 브렌트유 최근월 선물 가격](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/2cb4be09-22b3-4a11-9964-a33848905c1b.webp) *2026년 상반기의 유가 급등과 변동성. 단위는 배럴당 달러. [EIA, 2026년 7월 15일](https://www.eia.gov/todayinenergy/detail.php?id=67865), 원자료 Bloomberg.* 여기서 연준이 등장한다. 연준의 목표는 최대고용과 물가 안정이며, 장기 물가 목표는 개인소비지출(PCE) 물가지수의 연간 상승률 2%다. 연방공개시장위원회(FOMC)는 통상 1년에 여덟 차례 정례회의를 열어 정책 방향을 정한다. 영상의 ‘6주에 한 번’은 이 주기를 쉽게 표현한 말이다. [연준의 목표 설명](https://www.federalreserve.gov/faqs/economy_14400.htm), [FOMC 안내](https://www.federalreserve.gov/monetarypolicy/fomc.htm) 물가 상승이 오래갈 것으로 예상되면 높은 금리를 유지하거나 더 올릴 필요가 커진다. 돈을 빌리는 비용이 오르면 가계는 소비를, 기업은 투자를 줄이거나 미루게 된다. 수요가 약해지면 기업이 가격을 계속 올리기도 어려워진다. 물가상승률을 낮추는 과정은 이렇게 지출과 가격 결정에 시간을 두고 전달된다. 실제로 2026년 9월 16일 FOMC는 연방기금금리 목표 범위를 0.25%포인트 올려 3.75–4.00%로 정했다. 성명은 높은 인플레이션과 견조한 지출을 함께 언급했다. 유가 충격을 보면서도 전체 물가와 고용, 수요를 함께 판단한 정책 결정이다. [9월 FOMC 성명](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm) ## 채권은 이자가 고정돼 있어도 가격이 바뀐다 금융시장은 연준 발표를 기다렸다가 처음 움직이지 않는다. 앞으로 물가와 금리가 어떻게 바뀔지를 예상해 오늘의 가격에 반영한다. 영상에서 ‘시장이 연준을 지켜본다’고 설명하는 부분이 이것이다. 국채는 정부가 돈을 빌리면서 발행하는 증권이다. 미국의 일반적인 중장기 국채는 정해진 이자를 지급하고 만기에 액면금을 돌려준다. 보유자는 만기까지 기다리거나 그 전에 다른 투자자에게 팔 수 있다. 이때 거래가격은 계속 변한다. 가령 액면 100만 원에 매년 5만 원의 이자를 주는 채권이 있다고 하자. 시장이 더 높은 수익률을 요구하기 시작하면 기존의 5만 원 이자는 덜 매력적이다. 이 채권을 사려는 사람이 요구 수익률을 맞추려면 더 싼 가격에 사야 한다. 90만 원에 사서 매년 5만 원을 받으면 단순한 이자수익 비율은 약 5.56%가 된다. 약속된 이자 5만 원은 그대로인데 매입가격이 내려가면서 수익률이 오른다. ![채권 가격이 100에서 90으로 내려가면 이자 5의 수익 비율이 높아지는 영상 도식](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/928a703f-c89c-4749-b6d2-59dfa46b1284.webp) *고정된 이자를 더 낮은 가격에 사는 예제. 5.6%는 반올림한 경상수익률. [알간지Alganzi, 18:23](https://www.youtube.com/watch?v=yfSMojDAGqg\&t=1103s)* 영상도 화면 주석에서 이 계산을 경상수익률이라고 설명한다. 뉴스에서 보는 만기수익률은 여기에 만기까지 남은 기간과 액면금 상환까지 반영한다. 90만 원에 산 채권을 만기까지 보유해 100만 원을 받는다면 그 차익도 수익에 들어가는 것이다. 두 계산 모두 고정된 현금흐름을 더 싸게 살수록 수익률이 높아진다는 관계를 보여준다. [미 재무부의 가격과 수익률 설명](https://www.treasurydirect.gov/marketable-securities/understanding-pricing/) 따라서 ‘국채금리가 올랐다’는 뉴스를 읽을 때는 기존 채권의 가격 하락과 앞으로 돈을 빌릴 때 요구되는 비용 상승을 함께 떠올릴 수 있다. 시장이 예상하는 향후 단기금리와 물가, 장기간 돈을 묶어두는 대가가 장기금리에 반영된다. ## 모기지는 장기금리에 위험과 비용을 더해 가격이 정해진다 영상은 은행이 정부에도 돈을 빌려주고 개인에게도 빌려준다는 비교를 쓴다. 국채에서 얻을 수 있는 수익률이 높아지면, 다른 대출에도 그에 맞는 보상을 요구하게 된다는 설명이다. ![은행이 국채와 주택담보대출에 돈을 공급하는 영상 도식](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/789d3e93-7e9f-4eda-a5a7-f81e6fd7325c.webp) *국채 수익률과 주담대 금리의 관계를 설명한 도식. 그림의 5.6%는 앞선 계산 예제의 값. [알간지Alganzi, 19:40](https://www.youtube.com/watch?v=yfSMojDAGqg\&t=1180s)* 미국 모기지 시장에서는 대출을 묶어 만든 주택저당증권 MBS의 투자자도 이 가격 결정에 참여한다. 대출의 상환금이 투자자에게 흘러가므로, 그들이 요구하는 수익률은 새 대출금리에 영향을 준다. 장기 국채금리 위에 조기상환 위험과 금리 변동성, 보증과 대출 취급에 드는 비용 등이 더해진다. 조기상환은 특히 중요하다. 금리가 내려가면 집주인은 싼 대출로 갈아타고 기존 대출을 갚을 수 있다. 투자자 입장에서는 높은 이자를 더 받을 수 있을 때 돈이 일찍 돌아오는 셈이다. 금리가 오르면 반대로 낮은 이자의 대출이 오래 남는다. 이런 현금흐름의 불확실성이 추가 수익률을 요구하는 이유가 된다. 그래서 30년 모기지 금리는 정책금리보다 10년물 국채 등 장기금리와 가까운 움직임을 보인다. 30년이라는 계약 만기 중간에 이사와 차환, 조기상환이 일어나기 때문이다. 애틀랜타 연은은 2024년 9월 19일부터 11월 21일까지 모기지 금리가 6.09%에서 6.84%로 오른 사례를 들어, 연준의 인하와 주택대출 금리가 다른 방향으로 움직일 수 있음을 설명한다. 주택 구매자가 실제로 마주하는 가격은 장기금리와 모기지 가산금리까지 거쳐 나온다. [애틀랜타 연은 설명](https://www.atlantafed.org/research-and-data/2025/11/10/not-joined-at-the-hip-relationship-between-the-fed-funds-rate-and-mortgage-rates) ## 30년 고정금리가 집주인의 이사까지 붙잡는다 새 대출이 비싸졌으면 주택 수요가 줄어든다. 그런데 기존 집주인에게는 다른 계산이 적용된다. 2020–2021년에 집을 샀거나 대출을 갈아타면서 낮은 금리를 장기간 고정했다면, 시장금리가 올라도 기존 대출의 원리금 부담은 계약대로 유지된다. 재산세와 보험료 등 다른 보유비용은 별도로 움직인다. 이 사람이 집을 팔고 비슷한 집으로 이사한다고 해보자. 집을 팔면서 기존 대출을 정리하고, 새 집에는 현재 금리로 다시 빌려야 한다. 앞서 계산한 월 909달러 차이는 집값이 같은 수준이어도 이사가 비싸질 수 있음을 보여준다. 더 넓은 집으로 옮기거나 직장 가까이 가고 싶어도, 낮은 금리를 포기하는 비용이 이사의 이익보다 커진다. 이것이 모기지 잠금 효과, 이른바 lock-in이다. 낮은 금리의 대출이 집주인을 현재 집에 묶어두는 것이다. 아예 매물을 내놓지 않거나, 원하는 가격을 받을 때까지 기다릴 여유가 생긴다. ![영상에서 저금리 대출과 락인 효과를 연결하는 장면](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/28cb0ffd-b5e1-408c-b206-e7dc77091aad.webp) *집을 팔고 새로 빌릴 때 잃는 저금리 계약의 이점. [알간지Alganzi, 22:27](https://www.youtube.com/watch?v=yfSMojDAGqg\&t=1347s)* FHFA의 자료는 기존 계약금리와 같은 조건의 신규 시장금리 사이의 차이를 보여준다. 아래 그림에서 음수는 기존 대출금리가 시장금리보다 낮다는 뜻이다. 2022년 이후 노란색과 주황색, 붉은색 영역이 커지는 모습은 많은 차주가 새로 빌릴 때 훨씬 높은 금리를 부담하게 됐음을 나타낸다. 2024년 2분기의 평균 차이는 -2.54%포인트였다. ![FHFA의 기존 계약금리와 현재 시장금리 차이 분포](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/fb864634-44ed-46e0-8d94-f97e7e5e4d19.webp) *기존 계약금리에서 동급 신규 시장금리를 뺀 값의 분포. 음수 영역이 클수록 이사 때 포기할 저금리 혜택이 크다. 2024년 2분기까지의 자료. [FHFA, 2024년 8월](https://www.fhfa.gov/blog/statistics/the-geography-of-the-lock-in-effect-which-msas-are-most-locked-in)* FHFA 연구진의 2024년 8월 개정 연구는 이 효과로 2022년 2분기부터 2024년 2분기까지 주택 거래가 약 172만 건 줄었다고 추정했다. 같은 연구의 모형에서는 잠금 효과의 가격 상승 압력이 7.0%, 고금리 자체의 직접적인 가격 하락 효과가 5.6%였다. 이는 해당 기간에 잠금 효과가 없었을 상황과 비교한 추정이다. 거래 감소와 가격 방어가 함께 나타날 수 있다는 영상의 설명을 뒷받침한다. [FHFA 연구](https://www.fhfa.gov/research/papers/wp2403) 이사하려는 집주인은 동시에 다음 집을 살 사람이기도 하다. 이사를 포기하면 매물과 매수 수요가 같이 줄어든다. 그 결과가 가격 상승으로 얼마나 나타나는지는 지역의 수급에 달려 있다. 연준의 별도 연구는 2022년처럼 이미 매물이 부족한 시장에서 잠금 효과가 가격을 더 밀어 올렸고, 2019년처럼 균형에 가까운 시장에서는 가격 효과가 작았다고 분석했다. 기존의 매물 부족 위에 저금리 계약이 겹친 것이 핵심이다. [연준 FEDS 연구, 2025년 개정](https://www.federalreserve.gov/econres/feds/locked-in-rate-hikes-housing-markets-and-mobility.htm) ## 매물이 쌓인다는 말과 싸게 살 수 있다는 말의 차이 영상은 매물이 늘어도 가격이 크게 떨어지지 않는 상황을 짚는다. 재고는 새로 나온 집이 쌓이고, 팔린 집과 철회된 집이 빠져나간 결과다. 매물이 많이 늘지 않아도 거래가 더 느려지면 시장에 남아 있는 집은 늘어난다. 여기에 급하게 팔 필요가 적은 소유자가 버티면 매물 증가가 바로 큰 할인으로 이어지지 않을 수 있다. NAR가 2026년 10월 13일 발표한 9월 기존주택 통계에서도 이런 조합을 볼 수 있다. | 지표 | 2026년 9월 | 전년 동월 대비 | | ---------------- | ----------: | -------: | | 기존주택 거래, 계절조정 연율 | 399만 건 | -2.2% | | 미판매 재고 | 160만 채 | +4.6% | | 중위 매매가격 | 41만 7,500달러 | +1.3% | 재고는 당시 판매 속도로 4.8개월분이었다. 거래가 줄고 재고가 늘어나는 동안, 전국에서 팔린 집의 중위가격은 전년보다 조금 높았다. 지역별로는 서부 중위가격이 0.3% 내려간 반면 북동부는 4.7% 올랐다. 거래가격의 지역차와 거래된 주택의 구성을 함께 봐야 현재 구매 여건을 읽을 수 있다. [NAR 9월 기존주택 보고서](https://www.nar.realtor/newsroom/existing-home-sales-increased-1-5-in-september-according-to-nar-report) 판매자가 가격을 얼마나 낮출 수 있는지는 새 매수자의 대출 부담과 다른 문제다. 구매자는 오늘의 금리로 심사를 받고 오늘의 월 상환액을 감당해야 한다. 기존 소유자가 과거 계약으로 버티는 동안, 처음 집을 사는 사람은 그 혜택 없이 높은 진입 비용을 마주한다. ## 고금리는 거래 양쪽을 동시에 멈춰 세운다 영상의 설명을 따라가면 유가 충격이 물가와 정책 기대를 흔들고, 그 기대가 채권과 모기지의 가격에 반영되는 과정이 보인다. 여기까지는 새로 돈을 빌리는 사람의 이야기다. 주택시장에서는 여기에 과거의 계약이 남아 있다. ![영상 마지막에 정리한 전쟁, 물가, 기준금리와 채권금리의 연결](https://www.readiz.com/assets/authored/c52e288a-5d2c-48e7-9374-14f953115cda/98e7b3e8-3f9e-42f0-bb12-3f952123a74d.webp) *영상의 전체 연결을 정리한 장면. 장기금리에는 정책 기대가 미리 반영되고, 모기지에는 추가 위험과 비용이 붙는다. [알간지Alganzi, 23:17](https://www.youtube.com/watch?v=yfSMojDAGqg\&t=1397s)* 높은 신규 금리는 매수자의 구매력을 낮추고, 낮은 기존 고정금리는 매도자의 이동을 막는다. 이 구조에서는 거래가 줄어도 구매 부담이 빠르게 개선되기 어렵다. 미국의 주택 문제를 볼 때 매매가격과 함께 월 원리금, 기존 계약금리와 신규 금리의 차이를 봐야 하는 이유다. 집이 팔리지 않는 시장에서도 처음 집을 사는 사람의 형편은 여전히 팍팍할 수 있다. --- --- id: "authored/ac91b296-e20f-48fd-b86b-2eb2cbf8c1a0" title: "미국 모기지와 주택 구매력: PMMS와 고정금리 잠금 효과" description: "미국 주택 구매력을 읽는 PMMS와 기존주택 통계의 정의, 고정금리 잠금 효과 연구의 기준 시점과 해석 방법을 정리한다." kind: "llm-wiki" published: "2026-10-25T22:12:22.224Z" tags: ["금리","주택","미국 경제"] url: "https://www.readiz.com/llm-wiki/us-mortgage-affordability-lock-in-data-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/us-mortgage-affordability-lock-in-data-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 미국 모기지와 주택 구매력: PMMS와 고정금리 잠금 효과 미국에서 집을 살 수 있는지를 보려면 집값, 새로 받을 대출의 금리, 이미 집을 가진 사람의 계약금리를 함께 봐야 한다. 같은 동네의 같은 가격이라도 3% 고정금리를 유지하는 소유자와 7%대 새 대출을 받는 구매자의 월 부담은 크게 다르다. 이 차이가 기존 소유자의 이사를 줄이면 매물에도 영향을 준다. 아래 자료들은 각각 다른 부분을 설명한다. Freddie Mac의 PMMS는 신규 대출금리, NAR의 기존주택 통계는 거래와 매물, FHFA와 연준 연구는 금리 차이가 거래와 가격에 미친 영향을 추정하는 데 쓴다. 현재 시장 수치의 기준은 2026년 10월 26일까지 공개된 자료다. ## PMMS는 어떤 금리인가 Freddie Mac의 Primary Mortgage Market Survey(PMMS)는 주택구입 대출 신청자료에서 계산한 미국의 주간 모기지 금리 지표다. 현재는 전국 대주가 Loan Product Advisor에 제출한 신청 중 일반적인 적격 한도 안의 주택구입 대출을 대상으로 한다. 매주 목요일 발표하며, 직전 목요일부터 수요일까지 제시된 금리를 평균한다. [PMMS와 조사 설명](https://www.freddiemac.com/pmms) PMMS를 읽을 때 비교 대상은 **지금 새 대출을 받는 비용**이다. 이미 대출을 받은 사람들의 평균 계약금리를 알려면 잔존 대출자료가 별도로 필요하다. 기존 3% 고정금리 대출은 PMMS가 7%가 되어도 계약금리가 그대로이기 때문이다. | 기준 주차 | 30년 고정금리 | 15년 고정금리 | 자료의 의미 | | ------------- | -------: | -------: | ------------------------------------------------------------ | | 2021년 1월 7일 | 2.65% | 2.16% | 30년 금리가 당시 조사 역사상 최저. 30년 대출의 평균 수수료와 포인트는 0.7포인트(대출액의 0.7%) | | 2026년 10월 15일 | 7.40% | 6.71% | 비교용 직전 주 | | 2026년 10월 22일 | 7.32% | 6.68% | 이 문서에서 확인한 최신 주차 | [2021년 1월 7일 공식 발표](https://freddiemac.gcs-web.com/news-releases/news-release-details/mortgage-rates-hit-new-record-low-first-week-2021/)와 [최근 주간 아카이브](https://www.freddiemac.com/pmms/pmms_archives)를 기준으로 정리했다. 2022년 11월 17일에는 대주 설문에서 신청자료를 이용하는 방식으로 바뀌었다. 현재는 수수료와 포인트를 발표하지 않는다. 장기 시계열을 사용할 때는 이 수집 방식의 변화를 남기고, 금리와 별도로 드는 초기 비용은 따로 계산한다. ### 금리에서 월 납입액으로 30년 원리금 균등상환 대출의 월 납입액은 다음과 같다. $$ M=P\frac{r}{1-(1+r)^{-n}} $$ $P$는 대출원금, $r$은 연이율을 12로 나눈 월이율, $n$은 상환 개월 수다. 30년이면 $n=360$이고, 연 7.32%라면 $r=0.0732/12$를 넣는다. 대출원금 32만 달러를 동일하게 놓으면 연 2.65%에서 월 원리금은 약 1,289달러, 연 7.32%에서는 약 2,198달러다. 집값과 대출액이 같아도 금리만으로 월 약 909달러가 늘어난다. 이 계산은 세금, 보험, 관리비와 대출 수수료를 제외한 원리금 비교다. 실제 주택 구매력을 계산할 때는 이 비용들과 계약금을 더한다. ## 유가 충격과 정책 기대를 연결할 자료 에너지는 운송과 생산의 투입비용이므로 공급 차질은 물가와 금리 전망에 영향을 준다. EIA의 2026년 7월 15일 분석은 호르무즈 해협의 공급 차질과 운송 재개 기대가 2분기 유가의 큰 변동을 만들었다고 설명한다. 브렌트유 최근월 선물은 4월 29일 배럴당 118달러, 6월 26일 72달러였다. 에너지 충격을 설명할 때 기간 중 고점과 저점, 최근월 선물이라는 상품 정의를 함께 쓴다. [EIA 원문과 도표](https://www.eia.gov/todayinenergy/detail.php?id=67865) 연준의 장기 물가 목표는 PCE 물가지수의 연간 상승률 2%이며 최대고용과 함께 판단한다. FOMC는 연간 여덟 차례 정례회의를 연다. 2026년 9월 16일에는 정책금리 목표 범위를 0.25%포인트 인상해 3.75–4.00%로 정했다. 정책 결정은 발표 성명에서 확인하고, 시장이 반영하는 향후 경로는 장기금리 자료와 연결한다. [물가 목표](https://www.federalreserve.gov/faqs/economy_14400.htm), [FOMC 안내](https://www.federalreserve.gov/monetarypolicy/fomc.htm), [9월 성명](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm) ## 정책금리, 국채 수익률, 모기지 금리 연준이 정하는 정책금리는 단기 자금시장의 기준이다. 30년 고정 모기지에는 장기간 돈을 빌려주는 비용과 주택담보대출을 묶은 증권인 MBS의 조건이 반영된다. 그래서 정책금리 발표만으로 모기지 변화를 설명하기보다 장기 국채 수익률과 모기지 사이의 차이, 즉 스프레드를 함께 본다. Atlanta Fed는 모기지의 실제 평균 수명이 약 7년에서 10년이라 10년물 등 장기 국채 수익률과의 관계가 더 가깝다고 설명한다. 이사와 차환, 조기상환 때문에 30년 계약을 끝까지 그대로 유지하는 기간과 실제 자금 회수 기간이 달라지는 것이다. 장기 수익률에는 향후 성장과 인플레이션 전망, 재정정책 등이 반영된다. [Atlanta Fed, 2025년 11월 10일](https://www.atlantafed.org/research-and-data/2025/11/10/not-joined-at-the-hip-relationship-between-the-fed-funds-rate-and-mortgage-rates) 여기서 국채의 **쿠폰금리**와 **만기수익률**은 뜻이 다르다. 쿠폰금리는 액면금액에 대해 지급하는 이자를 정한다. 만기수익률은 현재 매입가격, 앞으로 받을 이자와 만기 상환액을 함께 반영한 연 수익률이다. 지급할 현금흐름이 같은 채권의 가격이 내려가면 만기수익률은 올라간다. 기존 채권의 쿠폰을 유지한 채 매입가격과 수익률이 함께 조정되는 구조다. [미 재무부의 가격과 수익률 설명](https://www.treasurydirect.gov/marketable-securities/understanding-pricing/) MBS 투자자에게는 조기상환도 중요한 조건이다. 시장금리가 내려가면 차주가 더 싼 대출로 갈아탈 수 있어, 투자자는 높은 금리를 받던 자금을 예상보다 일찍 돌려받게 된다. 반대로 금리가 오르면 저금리 차주의 상환이 늦어질 수 있다. 이런 현금흐름의 변화와 금리 변동성이 국채 대비 추가 수익률에 반영된다. [Dallas Fed의 모기지 금리 분석](https://www.dallasfed.org/research/economics/2026/0507) 정책금리 인하 뒤 모기지가 오른 사례도 있다. Atlanta Fed가 제시한 2024년 9월 19일부터 11월 21일까지의 30년 모기지는 6.09%에서 6.84%로 상승했다. 인하가 실제 차입비용으로 얼마나 전달됐는지는 장기금리와 스프레드의 움직임으로 확인할 수 있다. ## 고정금리 잠금 효과를 읽는 방법 모기지의 잠금 효과(lock-in)는 집을 팔고 이사할 때 기존의 낮은 고정금리를 포기해야 해서 이동을 줄이는 현상이다. 더 작은 집으로 옮겨 대출원금을 줄여도 새 금리가 크게 높아지면 월 부담이 늘 수 있다. 이때 기존 집을 계속 보유할 경제적 유인이 생긴다. FHFA 자료의 `Rate Delta`는 **기존 대출금리에서 현재 비교 가능한 시장금리를 뺀 차이**다. 값이 음수일수록 기존 계약의 금리가 시장보다 낮다. 예를 들어 −3%p는 새로 빌리는 것보다 기존 대출이 3%p 저렴하다는 뜻이다. 그래프는 이 금리 차이의 구간별 대출 비중을 보여 준다. ![1998년부터 2024년까지 기존 고정금리와 시장금리 차이의 구간별 대출 비중. 2022년 이후 음수 구간이 크게 확대된다.](https://www.readiz.com/assets/authored/ac91b296-e20f-48fd-b86b-2eb2cbf8c1a0/43e75221-bb2c-4da2-a9db-5ede42b54aa9.webp) *금리 차이의 분포. 세로축은 대출 비중이고 색은 기존 금리와 시장금리 차이의 구간이다. 2024년 2분기 평균 차이는 −2.54%p. [FHFA 원본 Figure 1](https://www.fhfa.gov/blog/statistics/the-geography-of-the-lock-in-effect-which-msas-are-most-locked-in)* Ross M. Batzer, Jonah R. Coste, William M. Doerner, Michael J. Seiler의 FHFA Working Paper 24-03은 이 차이와 매도 확률의 관계를 분석한다. **2024년 8월 개정판**의 주요 결과는 다음과 같다. | 항목 | 개정판의 추정 결과 | | ------------------------- | ---------------------------------------------- | | 시장금리와 기존 금리의 격차가 1%p 커질 때 | 분기 매도 확률 0.176%p(17.6bp) 감소. 기준 확률 대비 18.1% 감소 | | 2024년 2분기 고정금리 대출 주택 거래 | 잠금 효과가 없는 경우에 비해 45% 감소 | | 2022년 2분기부터 2024년 2분기까지 | 누적 172만 건의 거래가 줄어든 것으로 추정 | | 같은 기간의 집값 효과 | 잠금 효과에 따른 매물 감소 +7.0%, 높은 금리의 직접 효과 −5.6% | 이 표의 거래 감소는 연구가 추정한 **잠금 효과가 없었을 경우와의 차이**다. 전년 대비 실제 거래 감소율과 비교할 때는 기준부터 맞춘다. 자료는 전국 대출의 대표 표본인 NMDB와 Fannie Mae, Freddie Mac의 대출자료를 사용한다. 결과는 저자들의 연구 추정이며, FHFA는 관련 자료를 개발 중 통계로 제공한다. [자료 설명과 FAQ](https://www.fhfa.gov/sites/default/files/2024-08/wp2403-lock-in-FAQs.pdf) 논문 소개 페이지의 초록에는 2023년 4분기까지 분석한 초기판 수치가 남아 있다. 초기판의 누적 133만 건, 집값 +5.7%를 인용할 때는 해당 기간을 붙인다. 2024년 2분기까지의 분석에는 위 개정판 수치를 쓴다. [논문 안내](https://www.fhfa.gov/research/papers/wp2403)와 [2024년 8월 개정 PDF](https://www.fhfa.gov/PolicyProgramsResearch/Research/PaperDocuments/wp2403.pdf) ## 매도자와 구매자가 함께 줄 때의 가격 효과 기존 소유자가 이사를 포기하면 팔 집 한 채가 줄고, 그 사람이 사려던 집의 수요도 함께 줄어든다. 가격 효과를 이해하려면 이 두 변화를 같은 시장 안에서 봐야 한다. Aditya Aladangady, Jacob Krimmel, Tess Scharlemann의 연준 FEDS 논문 *Locked In: Mobility, Market Tightness, and House Prices*는 이 관계를 다룬다. 2025년 5월 개정판은 차환 선택의 편향을 반영한 뒤, 잠금 효과가 **2021년에서 2022년 사이 모기지 차주의 이사 감소 중 44%를 설명**한다고 추정한다. 감소는 주로 같은 지역 안의 이사에서 나타났다. 이 연구에서는 이미 구매자가 매도자보다 많은 시장에서 양쪽이 같은 수만큼 줄면, 남은 매도자 한 명당 구매자 수가 더 늘어난다. 예를 들어 구매자 120명과 매도자 100명 중 각각 20명이 빠지면 비율은 1.2에서 1.25로 높아진다. 매물이 부족했던 초기 상태가 가격 반응을 키우는 이유다. 저자들은 2022년 충격이 매물 체류 기간을 29% 줄이고 집값을 8% 높였다고 추정한다. 같은 충격을 2019년처럼 더 균형적인 시장에 적용하면 가격과 매물 부족에 미치는 효과가 거의 없었다. 따라서 이 연구를 재사용할 때는 **금리 격차와 충격 이전의 매물 부족 정도**를 함께 남긴다. FHFA의 가격 추정치와는 분석 방법과 기준이 달라 각각의 연구 결과로 읽는다. [논문 안내](https://www.federalreserve.gov/econres/feds/locked-in-rate-hikes-housing-markets-and-mobility.htm), [2025년 5월 개정 PDF](https://www.federalreserve.gov/econres/feds/files/2024088r1pap.pdf) ## 현재 거래와 매물은 NAR에서 확인한다 과거 충격의 인과효과를 추정한 논문과 현재 시장의 상태를 보는 통계는 역할이 다르다. NAR의 Existing-Home Sales는 기존주택 거래량과 재고, 중위가격을 함께 제공한다. 2026년 10월 13일 발표된 9월 자료는 다음과 같다. | 지표 | 2026년 9월 수치 | 읽는 기준 | | ------------- | -------------: | ------------------------------ | | 기존주택 거래 | 계절조정 연율 399만 건 | 전월 대비 +1.5%, 전년 대비 −2.2% | | 월말 매물 재고 | 160만 채 | 전년 대비 +4.6% | | 재고 소진 기간 | 4.8개월 | 해당 판매 속도로 현재 재고를 소진하는 데 걸리는 기간 | | 전국 기존주택 중위가격 | 417,500달러 | 전년 대비 +1.3% | | 서부 지역 중위가격 변화 | 전년 대비 −0.3% | 전국과 다른 지역별 흐름 | [2026년 9월 NAR 발표](https://www.nar.realtor/newsroom/existing-home-sales-increased-1-5-in-september-according-to-nar-report) 계절조정 연율은 계절요인을 조정한 한 달의 거래 속도를 연간으로 환산한 값이다. 재고 소진 기간은 매물 수와 거래 속도를 연결하므로, 재고가 늘어난 이유를 수요와 함께 살펴보는 데 유용하다. 중위가격은 그달에 거래된 주택을 가격순으로 놓았을 때 가운데 값이다. 거래된 지역과 주택의 구성이 바뀌어도 달라질 수 있다. 같은 집의 가치 변화를 추적하려면 반복매매 기반 주택가격지수를 추가하고, 전국 자료로 지역 시장을 설명할 때는 해당 지역 통계를 함께 사용한다. 미국 주택 구매력을 다시 분석할 때 PMMS는 새 대출의 월 비용으로, NAR는 거래와 매물의 상태로 연결한다. 기존 금리와 새 금리의 격차가 이사를 얼마나 줄이는지는 FHFA 연구로 살피고, 그 감소가 가격에 미치는 효과는 시장의 초기 매물 부족 정도를 다룬 FEDS 연구와 함께 해석할 수 있다. ## 함께 읽을 자료 [금리와 주택가격의 국제 비교 연구](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/)와 [미국 국채금리와 정책 기대](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/)에서 모형의 시차와 기간 프리미엄 설명을 이어 읽을 수 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/f57ab9f2-32b0-49cf-8b71-ac5d100c943d" title: "검색은 어떻게 빨라지는가: 역색인과 BM25, 즉시 검색의 구조" description: "역색인과 BM25가 맡는 역할, Pagefind의 정적 검색 구조, 한국어 토큰화와 맞춤 재정렬, 입력 즉시 결과를 표시하는 설계를 공식 문서와 예제로 정리한다." kind: "llm-wiki" published: "2026-10-24T15:07:11.428Z" updated: "2026-10-24T15:27:16.474Z" tags: ["data structure","information retrieval","Pagefind"] url: "https://www.readiz.com/llm-wiki/inverted-index-bm25-pagefind-search-design/" markdownUrl: "https://www.readiz.com/llm-wiki/inverted-index-bm25-pagefind-search-design/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/알고리즘" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2F%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98" --- # 검색은 어떻게 빨라지는가: 역색인과 BM25, 즉시 검색의 구조 검색 시스템의 기본 구조로 **역색인과 BM25**를 사용하는 것은 보편적인 선택이다. 역색인은 검색어가 들어 있는 문서를 찾는 자료구조이고, BM25는 찾은 문서들의 순서를 정하는 점수 모델이다. Elasticsearch도 BM25를 기본 유사도 모델로 사용한다. [Elasticsearch의 유사도 설정](https://www.elastic.co/docs/reference/elasticsearch/index-settings/similarity) 입력하는 순간 결과가 나오는 경험에는 한 단계가 더 필요하다. 검색 계산이 빨라도 입력 대기, 첫 실행 준비, 네트워크 응답을 차례로 기다리면 화면은 늦게 바뀐다. 검색을 이해할 때는 **단어를 만드는 과정, 후보를 찾는 과정, 순위를 정하는 과정, 화면에 보여주는 과정**을 나누어 보는 편이 정확하다. ## 역색인은 문서를 읽는 방향을 뒤집는다 문서를 저장할 때는 보통 문서 번호에서 본문으로 접근한다. 검색할 때 필요한 방향은 반대다. `검색`이라는 단어에서 출발해 이 단어를 포함한 문서 번호를 알아야 한다. 이를 미리 만들어 둔 것이 역색인(inverted index)이다. 검색어 목록인 사전(dictionary)과, 각 검색어가 등장하는 문서의 목록인 포스팅 리스트(postings list)가 핵심 구성이다. [Manning, Raghavan, Schütze, Introduction to Information Retrieval 1장](https://nlp.stanford.edu/IR-book/html/htmledition/an-example-information-retrieval-problem-1.html) 세 문서를 공백으로 나누어 역색인을 만들어 보자. | 문서 | 본문 | | -- | -------- | | D1 | 검색 색인 구현 | | D2 | 검색 속도 개선 | | D3 | 색인 저장 구조 | 단어마다 문서 번호를 모으면 다음과 같은 색인이 만들어진다. ```text 검색 → D1, D2 색인 → D1, D3 구현 → D1 속도 → D2 개선 → D2 저장 → D3 구조 → D3 ``` `검색 색인`에 두 단어가 모두 있어야 한다는 AND 조건을 적용하면, `검색`의 목록과 `색인`의 목록을 교집합으로 합친다. 결과는 D1이다. 본문 전체를 매번 읽는 대신 해당 단어의 문서 목록을 읽는 것이다. 정렬된 두 목록의 기본 교집합 알고리즘은 양쪽 포인터를 앞으로 이동하며 처리한다. 흔한 단어의 목록은 길어질 수 있으므로 실제 검색 엔진은 압축, 건너뛰기, 상위 결과만 계산하는 최적화도 사용한다. [불리언 질의 처리](https://nlp.stanford.edu/IR-book/html/htmledition/processing-boolean-queries-1.html) 문서 번호에 등장 위치까지 저장하면 `검색 색인`처럼 두 단어가 붙어 있는 구문도 구별할 수 있다. 제목과 본문을 구별하거나 검색어가 등장한 부분을 표시할 때도 이런 부가 정보가 쓰인다. [위치 정보를 가진 색인](https://www-nlp.stanford.edu/IR-book/html/htmledition/positional-indexes-1.html) 색인 생성 비용은 문서를 추가하거나 바꿀 때 치른다. 검색 요청이 반복될수록 같은 본문을 계속 훑는 비용을 줄일 수 있지만, 새 문서가 색인에 반영되는 시점과 삭제된 문서가 빠지는 시점도 관리해야 한다. ## BM25는 어떤 문서를 먼저 보여줄지 정한다 검색어가 들어 있는 문서가 수백 개라면 포함 여부만으로는 순서를 정하기 어렵다. BM25는 크게 세 가지 정보를 사용한다. - **문서 안의 등장 횟수:** 같은 검색어가 여러 번 나오면 관련성의 근거가 커진다. 반복 횟수가 늘수록 추가 점수의 증가 폭은 줄어든다. - **문서 집합에서의 희소성:** 거의 모든 문서에 등장하는 단어보다 드문 단어가 문서를 구별하는 데 더 유용하다. - **문서 길이:** 긴 문서는 여러 단어를 포함할 기회가 많다. 평균 문서 길이를 기준으로 이 영향을 보정한다. 흔히 설명에 사용하는 BM25 형태는 다음과 같다. 여기서는 질의 안에서 같은 단어가 반복되는 경우를 단순화했다. $$ \operatorname{score}(D,Q)=\sum_{t\in Q}\operatorname{IDF}(t)\frac{f(t,D)(k_1+1)}{f(t,D)+k_1\left(1-b+b\frac{|D|}{\operatorname{avgdl}}\right)} $$ `f(t,D)`는 문서 D에서 단어 t의 등장 횟수이고, `|D|`와 `avgdl`은 문서 길이와 평균 문서 길이다. `k₁`은 반복 횟수에 따른 점수 포화를, `b`는 길이 보정 강도를 조절한다. IDF는 단어가 드물수록 커지는 값이다. Lucene은 문서 수를 N, 해당 단어가 있는 문서 수를 n이라 할 때 다음 형태를 사용한다. $$ \operatorname{IDF}(t)=\log\left(1+\frac{N-n+0.5}{n+0.5}\right) $$ 이 설명에서 중요한 부분은 반복의 포화다. 길이가 같은 문서 둘을 비교할 때 검색어가 한 번에서 두 번으로 늘어나는 효과와, 백 번에서 백한 번으로 늘어나는 효과가 같지 않다. 문서를 길게 만들고 단어를 반복한 만큼 점수를 계속 얻는 구조를 완화한다. Lucene의 기본값은 `k₁=1.2`, `b=0.75`다. 수식의 표현과 상수 처리, 필드 길이 계산은 구현에 따라 달라질 수 있으므로 엔진 사이의 점수를 그대로 비교하기보다는 같은 검색 안의 순위로 읽는다. [Lucene BM25Similarity 문서](https://lucene.apache.org/core/10_5_2/core/org/apache/lucene/search/similarities/BM25Similarity.html) ## Pagefind는 이 구조를 정적 사이트에 맞게 배치한다 Pagefind는 빌드가 끝난 HTML에서 검색용 데이터를 만들고, 이를 정적 파일과 함께 배포한다. 방문자의 브라우저는 검색에 필요한 색인 조각과 결과 정보를 불러온다. 검색 요청마다 별도의 검색 서버가 본문을 조회하는 구성을 만들지 않아도 된다. 공개 문서가 빌드 단위로 갱신되는 블로그나 문서 사이트에 잘 맞는 이유다. [Pagefind 소개](https://pagefind.app/), [시작하기](https://pagefind.app/docs/) ```text 문서 작성 → HTML 빌드 → 검색 색인 생성 → 정적 파일 배포 ↓ 사용자 입력 → 필요한 색인 조각 로드 → 후보 검색과 점수 계산 → 결과 표시 ``` Pagefind 1.5.2의 검색 코드는 단어별 문서 정보를 조회하고 BM25 계열 점수를 계산한다. 기본 순위 설정에는 단어 빈도, 문서 길이, 반복 포화, 검색어와 일치 단어의 길이 차이에 관한 조절 값이 있다. `termSaturation` 기본값은 1.4, `pageLength`는 0.75다. 제목 등 특정 부분의 가중치를 높이는 기능도 제공한다. [Pagefind 1.5.2 검색 구현](https://github.com/Pagefind/pagefind/blob/v1.5.2/pagefind_web/src/search.rs), [순위 조절](https://pagefind.app/docs/ranking/), [내용 가중치](https://pagefind.app/docs/weighting/) 검색 실행 위치와 공개 범위는 함께 결정해야 한다. 브라우저에 내려보낸 공개 색인은 사용자가 열어볼 수 있는 데이터다. 비공개 본문을 색인에 넣고 화면에서만 숨기는 방식은 접근 제어가 되지 않는다. 개인 문서를 함께 찾는 서비스라면 서버에서 요청자의 권한을 확인한 뒤 허용된 결과만 반환하는 경로가 필요하다. ## 작은 목록의 문자열 검색도 역할이 있다 메뉴나 서비스 이름처럼 항목 수가 적고 텍스트가 짧은 목록은 전체를 순회하면서 문자열 포함 여부를 검사해도 충분할 수 있다. 구현이 단순하고 별도 색인의 동기화가 필요 없다는 장점이 있다. 문서가 많아지거나 본문이 길어지면 요청마다 확인할 텍스트도 늘어난다. 이때 역색인으로 후보를 줄이는 효과가 커진다. 2026년 10월 24일 기준 Readiz의 통합 검색은 이런 선택을 함께 사용한다. 공개 글은 Pagefind에서 후보를 찾고, 작은 서비스 목록은 정규화한 이름과 별칭 등의 문자열을 비교한다. 결과 목록에서는 제목의 정확한 일치, 접두어 일치, 태그와 별칭 일치 같은 서비스별 규칙으로 순서를 다시 조정한다. 여기서 **BM25 검색과 맞춤 재정렬은 서로 다른 단계**다. 예를 들어 문서 검색에서 상위 30개를 받은 뒤 제목 일치 점수를 높이면, 그 30개 안의 순서는 바뀐다. 최초 후보에 없던 31번째 문서를 재정렬만으로 되살릴 수는 없다. 제목 검색을 더 잘하려면 가중치뿐 아니라 후보 수와 검색 대상 필드도 함께 살펴야 한다. 정확한 메뉴 이름을 입력했을 때 그 메뉴가 먼저 나오는 편이 좋은지, 본문 설명이 풍부한 글이 먼저 나오는 편이 좋은지는 제품의 목적에 따라 달라진다. 맞춤 점수는 서비스의 검색 목적에 맞춰 정하고 실제 검색 예제로 검증한다. ## 한국어는 단어를 만드는 과정부터 확인한다 같은 색인과 점수 모델을 사용해도 토큰을 어떻게 만들었는지에 따라 결과가 달라진다. `검색`, `검색을`, `검색하다`를 어떤 관계로 취급할지, 붙여 쓴 문장을 어떻게 나눌지가 먼저 결정되어야 한다. 문자열을 소문자로 바꾸고 공백을 정리하는 처리와, 단어의 어형을 분석하는 처리는 별개다. Pagefind의 한국어 지원 표에는 UI 번역이 제공되고 어간 추출(stemming)은 지원하지 않는 것으로 표시되어 있다. 확장 빌드는 공백으로 분리되지 않은 언어의 단어 분할(segmentation)을 지원한다. 조사 처리, 띄어쓰기 변형, 초성 검색, 오타 교정은 필요한 질의별로 직접 시험한다. [Pagefind 다국어 검색](https://pagefind.app/docs/multilingual/) SQLite FTS5로 검색을 옮길 때도 같은 문제가 남는다. 기본 `unicode61` 토크나이저는 유니코드 문자 규칙을 이용하고, `porter`는 영어용 어간 추출이다. 한국어 형태소 분석이 자동으로 추가되는 것은 아니다. 부분 문자열 검색을 위해 `trigram`을 선택하면 세 글자 단위 색인을 활용할 수 있지만, 세 유니코드 문자보다 짧은 문자열은 전문 검색 질의에서 매칭되지 않는다. `검색` 같은 두 글자 질의를 반드시 시험해야 하는 이유다. [SQLite FTS5 토크나이저](https://www.sqlite.org/fts5.html#tokenizers) 선택 기준은 실제로 찾고 싶은 표현이다. 제목의 시작 부분을 찾는 기능, 본문 단어 검색, 문장 중간의 부분 문자열 검색은 서로 다른 요구다. 한 가지 색인을 선택하기 전에 이 요구를 예제 질의로 고정해 두면 누락을 빨리 발견할 수 있다. ## 입력 즉시 표시하려면 기다리는 이유를 줄인다 체감 응답 시간에는 검색 계산 외의 비용이 들어간다. 검색창을 처음 열면서 JavaScript와 WebAssembly를 준비하고, 색인과 목록을 내려받고, 서버 결과를 기다리는 시간이 겹칠 수 있다. 모든 출처가 끝난 뒤 한꺼번에 보여주는 구성이라면 가장 느린 출처가 첫 화면의 시점까지 결정한다. 다음은 지연이 생기는 지점별 개선 방법이다. | 지연이 생기는 지점 | 대응 | 함께 지켜야 할 조건 | | ------------------ | ---------------------- | ------------------------------- | | 검색창을 연 뒤 엔진을 처음 준비 | 포커스 등 사용 의도가 생기면 준비 시작 | 불필요한 선로딩 비용 확인 | | 입력할 때마다 고정 시간 대기 | 로컬 검색은 바로 실행 | 느린 서버 호출은 별도로 조절 | | 모든 출처의 완료를 기다림 | 준비된 결과부터 점진적으로 표시 | 남은 검색 상태와 선택 항목 유지 | | 이전 질의가 뒤늦게 도착 | 요청 취소와 질의 세대 번호 검사 | 최신 입력의 결과만 화면에 반영 | | 반복되는 공개 목록 요청 | 공개 데이터에 짧은 캐시 적용 | 갱신 시점과 만료 기준 명확화 | | 한글 조합이 끝날 때까지 대기 | 조합 중 문자열로도 검색 | 조합용 Enter와 방향키를 결과 조작으로 가로채지 않기 | 예를 들어 `검`을 검색한 요청보다 나중에 보낸 `검색` 요청이 먼저 끝날 수 있다. 이전 요청을 취소하고, 결과를 표시하기 직전에 현재 질의 번호와 같은지 확인하면 뒤늦은 응답이 화면을 덮는 일을 막을 수 있다. 브라우저의 `AbortController`는 `fetch` 요청 등의 중단을 지원한다. 취소할 수 없는 계산이나 이미 끝난 비동기 처리까지 고려하면 결과 반영 단계의 검사도 유용하다. [MDN AbortController](https://developer.mozilla.org/en-US/docs/Web/API/AbortController) 디바운스는 입력이 잠시 멈춘 뒤 실행하여 요청 수를 줄이는 방식이다. 서버 호출 비용을 줄이는 데 도움이 되지만, 모든 결과에 같은 대기 시간을 걸면 로컬에서 이미 준비된 결과도 늦어진다. 공개 로컬 검색과 개인 문서 서버 검색의 실행 시점을 따로 조절할 수 있다. 개인 결과는 권한 확인을 마친 응답만 표시하고, 로그아웃이나 권한 변경 이후에도 예전 결과가 남는 캐시를 만들지 않아야 한다. ## 무엇을 측정하면 다음 개선을 고를 수 있을까 첫 결과가 보이는 시간과 전체 결과가 모이는 시간을 따로 측정하면 병목을 구별하기 쉽다. 캐시가 없는 첫 검색과 같은 세션의 반복 검색도 나눈다. 평균뿐 아니라 느린 경우의 지연을 함께 보면 일부 질의에서만 생기는 문제를 놓치지 않는다. 속도 측정과 함께 대표 질의별 기대 결과를 남긴다. 정확한 제목, 제목 일부, 본문에만 있는 단어, 두 단어 질의, 두 글자 한국어, 조합 중 입력, 결과 없는 질의 정도부터 시작할 수 있다. 검색 결과가 빨리 나와도 원하는 문서가 후보에 빠지면 사용자에게는 실패다. 다음 선택은 관측한 병목에서 출발한다. 작은 서비스 목록의 순회가 충분히 빠르면 그대로 유지한다. 본문을 전부 읽는 서버 검색이 느려지면 FTS5 같은 전문 검색 색인을 검토한다. 정적 공개 문서의 첫 검색만 느리면 엔진 교체 전에 초기 로드와 색인 조각의 전송을 확인한다. 여러 출처를 합치는 화면이 늦으면 부분 결과 표시와 질의 취소를 먼저 점검한다. 역색인은 검색 범위를 줄이고, BM25는 후보의 순서를 정하며, 비동기 응답 설계는 사용자가 기다리는 방식을 바꾼다. 이 세 역할을 구분하면 검색 품질과 체감 속도를 각각 개선할 수 있다. ## 자료를 다시 볼 때 | 확인할 질문 | 원문과 활용 범위 | | --------------------- | ------------------------------------------------------------------------------------------------------------------------------------------ | | 역색인은 어떤 자료구조인가 | [Introduction to Information Retrieval](https://nlp.stanford.edu/IR-book/html/htmledition/irbook.html): 사전, 포스팅 리스트, 질의 처리의 기초 | | BM25는 무엇을 조절하는가 | [Lucene BM25Similarity](https://lucene.apache.org/core/10_5_2/core/org/apache/lucene/search/similarities/BM25Similarity.html): 기본값과 IDF 정의 | | 실제 엔진의 기본값인가 | [Elasticsearch Similarity](https://www.elastic.co/docs/reference/elasticsearch/index-settings/similarity): 기본 유사도와 설정 범위 | | 정적 사이트에 어떻게 적용하는가 | [Pagefind 문서](https://pagefind.app/docs/): 빌드, 브라우저 검색, 순위와 언어 지원 | | SQLite로 옮기면 무엇이 달라지는가 | [SQLite FTS5](https://www.sqlite.org/fts5.html): 전문 검색, 토크나이저, BM25와 부분 문자열 검색 | Pagefind의 구현 설명은 1.5.2, Lucene API 설명은 10.5.2를 기준으로 확인했다. 실제 도입이나 업그레이드 때는 해당 버전의 설정과 한국어 질의를 다시 대조하면 된다. 지연을 단계별로 나누어 해석하는 다른 사례로는 [AI 서빙의 지연과 처리 용량](https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/)을 함께 볼 수 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339" title: "앤트로픽 2조 달러, 결국 얼마를 벌고 남겨야 할까" description: "앤트로픽의 2조 달러 가치가 요구하는 매출과 현금흐름을 역산하고, 데이터센터 자금조달과 AI 가격 경쟁이 반도체 공급망으로 이어지는 구조를 살펴본다." kind: "record" published: "2026-10-22T21:48:57.039Z" updated: "2026-11-11T05:43:36.788Z" tags: ["AI","투자","가치평가","현금흐름"] url: "https://www.readiz.com/records/anthropic-two-trillion-valuation-cashflow/" markdownUrl: "https://www.readiz.com/records/anthropic-two-trillion-valuation-cashflow/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 앤트로픽 2조 달러, 결국 얼마를 벌고 남겨야 할까 앤트로픽에 2조 달러의 가격을 붙이려면 클로드를 쓰는 사람이 늘어나는 것만으로는 부족하다. 매출이 지금보다 훨씬 커져야 하고, 컴퓨팅과 모델 훈련에 돈을 쓰고도 주주에게 돌아갈 현금이 남아야 한다. 그 현금이 나오기까지 걸리는 시간도 짧아야 한다. 2조 달러라는 숫자에는 이 조건들이 한꺼번에 들어 있다. 월가아재의 2026년 10월 22일 영상은 패트릭 보일의 분석을 출발점으로 이 가격을 역산한다. 연구소의 매출에서 데이터센터 임대료로, GPU와 메모리 주문으로 이어지는 구조까지 설명한다. 이 연결이 중요한 이유는 여러 기업이 같은 미래 수요를 보고 투자하고 있기 때문이다. 최종 고객이 AI에 지불한 돈으로 그 구조를 유지할 수 있는지가 투자 판단의 중심에 놓인다. [YouTube: 월가아재 - 앤트로픽 상장에 전세계 주식시장의 운명이 걸렸습니다](https://www.youtube.com/watch?v=66djoASwPMs) ## 2조 달러는 확정된 상장 평가액이 아니다 앤트로픽이 공식 발표한 직전 대형 자금조달은 2026년 5월 28일 Series H다. 650억 달러를 조달했고, 투자 후 기업가치는 9,650억 달러였다. 6월 1일에는 SEC에 비공개 상장신고서 초안을 제출했다고 발표했다. 당시 공모 주식 수와 가격은 정해지지 않았으며, 상장에는 규제 검토와 시장 여건 등의 조건이 붙었다. [Series H 발표](https://www.anthropic.com/news/series-h), [비공개 S-1 제출 발표](https://www.anthropic.com/news/confidential-draft-s1-sec) 영상에 등장하는 2조 달러와 11월 하순 상장 일정은 당시 보도에서 거론된 목표다. 2조 달러를 기준으로 놓으면 5월 평가액의 약 2.07배. 몇 달 사이에 사업의 미래를 두 배 가까운 가격으로 평가하는 셈이다. 이 글에서도 2조 달러를 분석을 위한 가정으로 사용한다. 기업가치를 평가하는 기본 방법은 미래 현금흐름을 할인하는 방법과 비슷한 회사의 배수를 비교하는 방법이다. 현금흐름할인법, DCF는 1년 뒤 받을 돈과 10년 뒤 받을 돈에 서로 다른 현재가치를 붙인다. 먼 미래의 돈일수록 더 크게 할인한다. 비교배수 방식은 비슷한 기업이 이익이나 매출의 몇 배에 거래되는지 살핀다. 앤트로픽에는 두 방법 모두 어려움이 있다. 성장 속도가 워낙 빨라 장기 매출과 비용을 예측하기 어렵고, 상장된 범용 AI 연구소 중 그대로 비교할 회사도 드물다. 그래서 시장에서 자주 사용하는 숫자가 매출 런레이트다. 특정 월의 매출을 12배 하거나 분기 매출을 4배 해, 그 속도가 1년간 유지될 때의 규모로 환산한 값이다. ![8월 연환산 매출 650억 달러의 의미를 설명하는 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/9ce60c32-1b52-4fd7-8e7d-1c0f926c71c9.webp) *특정 월 매출을 1년으로 환산하는 런레이트의 정의. [월가아재, 7:40](https://www.youtube.com/watch?v=66djoASwPMs\&t=460s)* 보일이 사용한 연환산 매출은 650억 달러였다. 영상은 이를 8월에 알려진 수치로 소개한다. 2조 달러를 나누면 약 30.8배다. 이는 확정된 연간매출 대비 배수가 아니라, 당시 보도된 매출 속도 대비 배수다. 회사가 직접 발표한 5월 런레이트는 470억 달러를 넘었다는 수준이다. 공식 발표와 이후 취재로 나온 숫자의 기준을 구분해서 읽어야 한다. ## 매출을 전부 주주에게 줘도 얼마인가 영상은 닷컴 시절 Sun Microsystems의 공동 창업자 스콧 맥닐리의 이야기를 가져온다. 매출의 10배에 회사를 샀다면, 매출이 늘지 않을 때 10년치 매출을 전부 받아야 원금과 같아진다는 설명이다. 직원 급여와 부품비, 세금, 연구개발비를 모두 없애야 가능한 계산이다. 실제 사업에서는 매출 중 일부만 주주의 몫이 된다. Sun은 인터넷 인프라의 중요한 회사였지만 비싼 가격에 산 투자자의 결과는 좋지 않았다. Oracle은 2009년 주당 9.50달러, 총거래액 약 74억 달러의 인수 계약을 발표했다. 기술이 널리 쓰이는 기업도 매수가격에 따라 투자 결과가 크게 갈린다는 사례다. [Oracle의 인수 계약 발표](https://www.oracle.com/corporate/pressrelease/oracle-buys-sun-042009.html) 보일은 여기에 시간가치를 더한다. 앞으로 매년 같은 현금 $C$를 영원히 받는다면, 할인율 $r$에서 현재가치는 다음과 같다. $$ V=\sum_{t=1}^{\infty}\frac{C}{(1+r)^t}=\frac{C}{r} $$ 매출이 더 늘지 않고, 비용은 하나도 들지 않으며, 매출 전액이 주주에게 돌아간다고 가정하자. 여기에 회사 투자를 국채만큼 안전하게 취급하는 낮은 할인율까지 적용한다. 영상에서 이 계산으로 나온 값은 약 1조 2,700억 달러다. 연 650억 달러를 약 5.12%로 할인하면 재현되는 규모다. ![성장과 비용이 없는 영구연금으로 1조 2700억 달러를 계산한 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/7acb5b6f-b99b-4104-b132-e0ee86bd9c2e.webp) *비용 0, 성장 0, 국채 수준 할인율이라는 가정에서 나온 값. [월가아재, 11:15](https://www.youtube.com/watch?v=66djoASwPMs\&t=675s)* 이 계산의 의미는 선명하다. 현재 매출을 전부 현금으로 바꿔줘도 2조 달러에 못 미친다. 실제 비용을 치르는 기업이라면 성장과 현금전환 능력이 함께 필요하다. 1조 2,700억 달러를 적정 지분가치로 받아들일 이유도 없다. 회사의 위험과 비용을 거의 제거한 사고실험이기 때문이다. 또 ‘100년을 기다려도 회수하지 못한다’는 표현은 할인한 현금의 합계를 기준으로 한 말이다. 명목상 받은 돈은 오래 누적하면 2조 달러를 넘을 수 있다. 투자에서는 그동안 돈이 묶이는 기회비용까지 계산한다. ## 2조 달러가 요구하는 매출을 역산해 보면 영상 후반은 새로운 분기 매출을 넣어 계산을 갱신한다. 로이터가 투자자 설명회 참석자들을 취재한 보도에 따르면 2026년 3분기 매출은 168억 달러였다. 4배 하면 연환산 672억 달러다. 2조 달러는 이 수치의 약 29.8배다. [로이터 보도](https://www.investing.com/news/stock-market-news/anthropics-q3-revenue-surges-45-to-nearly-17-billion-4950208) 672억 달러를 비용 없이 매년 받는다고 놓고 할인율 5%를 적용하면 1조 3,440억 달러다. 5%는 여기서 계산을 이해하기 위해 고정한 가정이다. 실제 앤트로픽 주식의 요구수익률을 추정한 값이 아니다. 한 단계 더 나아가 보자. 여기서는 2조 달러를 전체 주식의 가치, 즉 지분가치로 놓는다. 매출에서 운영비, 세금과 필요한 재투자를 치른 뒤 30%가 주주에게 돌아갈 현금으로 남는다고 가정하면 어떨까? 성장 없이 다음 해부터 그 현금을 영원히 받는 단순 모형에서 필요한 규모는 아래와 같다. | 가정 할인율 | 2조 달러를 지지하는 연간 주주 현금 | 현금마진 30%에서 필요한 연매출 | 연환산 672억 달러 대비 | | ------ | -------------------: | -----------------: | -------------: | | 5% | 1,000억 달러 | 약 3,333억 달러 | 약 5.0배 | | 8% | 1,600억 달러 | 약 5,333억 달러 | 약 7.9배 | | 10% | 2,000억 달러 | 약 6,667억 달러 | 약 9.9배 | 위 표는 `필요 현금 = 지분가치 × 할인율`, `필요 매출 = 필요 현금 ÷ 현금마진`으로 계산했다. 영상의 논리를 확장한 예시이며 회사 전망치가 아니다. 성숙기 이후의 성장률을 0으로 두고 즉시 현금을 받는다고 가정했다. 성숙기에 도달하기까지 적자가 이어지거나 신주 발행으로 지분이 희석되면 현재 주주가 받을 몫은 더 줄어든다. 반대로 장기 성장을 넣으면 같은 현금흐름에 더 높은 가치가 나올 수 있다. 그때는 성장을 만드는 데 필요한 재투자도 같이 넣어야 한다. 매출 성장률만 높이고 비용과 자본 수요를 그대로 두면 가치가 쉽게 부풀려진다. 그래서 2조 달러를 평가할 때는 매출 전망, 현금마진, 그 수준에 도달하는 시간을 한 묶음으로 봐야 한다. ## 시장이 크다는 말 다음에 필요한 계산 여기서 등장하는 논리가 TAM, 회사가 궁극적으로 겨냥할 전체 시장규모다. 영상은 SpaceX가 제시한 28.5조 달러의 시장, 앤트로픽 투자설명에서 거론된 30조 달러 이상의 시장을 소개한다. 거대한 시장은 성장의 가능성을 보여주지만 회사가 그중 얼마나 가져갈지까지 계산해 주지는 않는다. 우버가 좋은 비교 사례다. 2019년 상장신고서에서 제시한 개인 이동 5.7조 달러, 외식 2.8조 달러, 화물운송 3.8조 달러를 합하면 12.3조 달러다. 주로 2017년의 세계 지출 규모를 바탕으로 계산한 잠재시장이다. 2025년 우버의 총예약액은 약 1,934.5억 달러, 회계상 매출은 약 520.2억 달러였다. 시장에서 오가는 전체 돈, 플랫폼을 통과한 돈, 회사가 매출로 인식한 돈 사이에 각각 단계가 있다. [Uber S-1](https://www.sec.gov/Archives/edgar/data/1543151/000119312519103850/d647752ds1.htm), [2025년 10-K](https://www.sec.gov/Archives/edgar/data/1543151/000154315126000015/uber-20251231.htm) 따라서 매출 520억 달러를 시장규모 12.3조 달러로 나눠 우버의 시장점유율이라고 부르면 안 된다. 비교의 핵심은 ‘거대한 시장이 있다’는 설명에서 ‘회사가 돈을 번다’는 결론까지 중간 계산이 많이 남는다는 점이다. AI도 같다. 전체 노동비용이나 소프트웨어 지출을 시장으로 잡았다면, 실제로 자동화할 수 있는 업무의 비중과 도입 속도, 경쟁사와 나눠 가질 몫, 고객이 절감한 비용 중 공급자에게 지불할 몫을 거쳐야 한다. 마지막으로 그 매출에서 필요한 비용을 빼야 주주의 현금이 나온다. AI가 연구를 자동화해 더 뛰어난 AI를 계속 만들어낸다는 재귀적 자기개선은 이 시장의 크기를 더 크게 보는 근거다. 영상은 여기에도 실험 결과를 대입한다. Anthropic의 연구에서 AI 에이전트는 약한 모델의 감독으로 강한 모델을 훈련하는 방법을 찾았고, 대화 선호 평가에서 성능 격차 회복률(PGR) 0.97을 달성했다. PGR은 약한 교사 모델의 성능을 0, 정답 데이터로 감독한 강한 학생 모델의 성능을 1로 놓는다. 0.97은 이 평가에서 두 기준 사이의 성능 격차를 97% 메웠다는 뜻이다. 다만 가장 좋은 방법 중 하나를 실제 Sonnet 4.0 학습 환경으로 옮겼을 때 개선은 0.5점으로 잡음 범위였다. 제한된 실험에서 얻은 개선이 대규모 모델 학습으로 그대로 옮겨지는 데 아직 간극이 있다는 결과다. 연구진은 이를 신호를 끌어내는 방법의 문제일 가능성도 있다고 설명한다. 이 실험으로 무한한 경제적 가치를 가격에 넣기에는 연결고리가 부족하다. [Anthropic 연구 원문](https://alignment.anthropic.com/2026/automated-w2s-researcher/) 성장을 너무 낮게 보는 오류도 실제로 있었다. 영상은 앤트로픽이 과거 제시했다는 2027년 매출 전망 120억 달러와 낙관 시나리오 345억 달러를 소개한다. 이후 특정 월의 매출 속도를 연환산한 수치가 그 전망을 크게 웃돌았다. 예상보다 빨리 고객을 확보할 수 있다는 근거다. 그 속도를 장기간 유지하고 현금으로 전환할 수 있는지는 이어서 풀어야 할 문제다. ## 데이터센터의 미래 임대료는 누가 내는가 AI 연구소의 성장 기대는 데이터센터 개발사의 가치로 이어진다. 오랫동안 컴퓨팅을 쓰겠다는 고객이 있으면, 개발사는 그 임대료를 바탕으로 건물을 짓고 자금을 조달한다. 연구소의 매출 전망이 다른 회사의 장기 투자 근거가 되는 구조다. 영상에서 든 사례는 SoftBank 계열 SB Energy다. 영상이 소개한 FT 분석과 상장 관련 자료에서는 기업가치 약 500억 달러, 약속한 시설을 모두 짓는 데 필요한 금액 1,700억 달러 이상이 등장한다. 가동 중인 데이터센터가 없는 단계에서 미래 임대료에 높은 가격이 붙었다는 문제 제기다. ![SB Energy의 기업가치와 필요한 건설자금을 비교한 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/797f2ef7-53f3-4a3d-8124-6021305287a6.webp) *영상에서 인용한 SB Energy의 상장 목표 가치와 전체 시설 건설비. 서로 다른 성격의 금액이다. [월가아재, 18:25](https://www.youtube.com/watch?v=66djoASwPMs\&t=1105s)* 기업가치보다 사업비가 크다고 조달 자체가 불가능해지는 것은 아니다. 사업별 차입과 단계적 공사, 추가 증자, 임대료로 재원을 마련할 수 있다. 대신 공사가 늦어지거나 전력망 연결이 밀리면 수입이 시작되는 시점도 늦어진다. 그동안 이자와 추가 공사비는 계속 발생한다. 미래의 임대료를 지금의 가치로 바꾸는 과정에서 완공 시점과 임차인의 지급능력이 핵심 조건이 된다. 건물과 칩의 경제적 수명도 다르다. 건물은 오래 사용할 수 있지만 GPU는 더 빠른 신제품과 경쟁한다. 새 칩이 나와도 기존 칩이 즉시 쓸모없어지는 것은 아니지만, 같은 일을 처리하는 비용이 높아지면 받을 수 있는 임대료와 가동률에 압박이 생긴다. 긴 대출과 임대계약을 검토할 때는 건물의 수명뿐 아니라 그 안에서 돌아가는 사업의 경쟁력을 봐야 한다. 전력 연결과 인허가의 실제 조건은 [데이터센터 인허가와 전력망 자료](https://www.readiz.com/llm-wiki/data-center-permits-power-grid/)에 따로 정리돼 있다. 데이터센터 투자에서 시간은 비용이면서 현금 유입을 결정하는 변수다. ## 투자자와 고객, 공급자가 겹치는 구조 영상은 SoftBank가 차입한 돈을 OpenAI에 투자하고, OpenAI가 그 돈의 일부를 SB Energy의 장기 임대료로 지출하는 흐름을 설명한다. 여기에 NVIDIA의 투자와 칩 공급, 임대료 관련 보증이 결합된다. OpenAI에는 SB Energy의 기업가치 상승에 따라 이익을 얻을 권리도 있다고 소개한다. 투자자, 고객, 공급자와 위험을 떠안는 주체가 여러 방향으로 겹친다. ![SoftBank OpenAI SB Energy NVIDIA 사이의 투자와 임대료 흐름](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/11aad2a6-3a5d-4932-a08b-648f5b7a27a1.webp) *영상에서 제시한 투자, 임대료, 칩 공급과 보증의 연결. [월가아재, 22:50](https://www.youtube.com/watch?v=66djoASwPMs\&t=1370s)* 이 구조에서는 서로 다른 회사에 찍히는 매출과 투자액을 모두 독립적인 최종 수요로 더할 수 없다. 외부에서 조달한 자금이 클라우드 사용료와 임대료, 칩 매출로 이동하기 때문이다. 최종 고객의 현금 지급이 그 지출을 충분히 뒷받침하지 못하면 다음 투자 유치나 차입이 계속 필요해진다. 한쪽의 조달 조건 악화가 임대료 지급능력과 공급자의 주문 전망으로 전달될 수 있다. 영상에서 자금의 가격을 보여주는 수치는 SoftBank의 111억 달러 채권 조달과 최장 달러채권의 9.75% 금리다. 또 OpenAI가 2030년까지 누적으로 2,780억 달러의 현금을 소진할 것으로 예상했다는 FT 보도를 소개한다. 이런 구조에서는 미래 성장의 크기와 함께 그때까지 자금을 공급할 수 있는 기간과 비용을 봐야 한다. NVIDIA에 관한 슬라이드는 SB Energy에 15억 달러를 먼저 투자하고 상장 때 15억 달러를 추가 투자하는 조건, 공모가보다 10% 낮은 가격, 누적 최대 1,050억 달러의 임대료 관련 보증을 제시한다. 여기서는 영상에 제시된 계약 설명으로 읽는다. 보증은 당일의 현금 지출과 다르지만, 조건이 충족될 때 누가 손실을 떠안을지 보여준다. 공급자로서의 매출 기대와 투자자로서의 위험이 같은 고객의 사업에 연결되는 것이다. ![NVIDIA의 SB Energy 투자와 임대료 보증을 설명한 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/c462f4a1-ac59-44c6-8a63-6aff4fa5cf04.webp) *투자, 조건부 보증, 칩 판매를 분리한 영상 슬라이드. 보증액은 실제 집행액과 다르다. [월가아재, 22:35](https://www.youtube.com/watch?v=66djoASwPMs\&t=1355s)* 앤트로픽의 공식 발표에도 투자자와 공급자가 겹치는 관계가 드러난다. 2026년 4월 Amazon은 50억 달러를 투자하고 향후 최대 200억 달러를 추가 투자하기로 했다. 앤트로픽은 앞으로 10년간 AWS 기술에 1,000억 달러 넘게 지출하기로 약정했다. 지분투자와 장기 컴퓨팅 구매가 함께 묶여 있다. [Anthropic과 Amazon의 발표](https://www.anthropic.com/news/anthropic-amazon-compute) 여기에 같은 돈을 중복해서 더하지 않는 것도 중요하다. 5월 Series H의 650억 달러에는 이미 약정된 하이퍼스케일러 투자 150억 달러가 포함되며, 그중 Amazon의 50억 달러도 들어 있다. 별도 발표 두 개를 봤다고 전부 신규 유입액으로 합산하면 실제 조달액이 부풀려진다. 영상은 앤트로픽이 xAI 데이터센터의 컴퓨팅을 빌리는 데 월 12억 5천만 달러를 지급한다는 자료도 소개한다. 같은 금액이 1년 이어지면 150억 달러로, 영상에서 사용한 연환산 매출 650억 달러의 약 23%다. 구글 역시 앤트로픽의 투자자이면서 컴퓨팅 공급자다. 한 연구소의 매출과 조달능력이 여러 공급자의 매출 전망으로 이어진다. 평가이익도 연결돼 있다. Amazon의 2026년 2분기 실적에는 영업외 세전 기타이익 534억 달러가 포함됐고, 회사는 주로 Anthropic 투자에서 나왔다고 설명했다. 10-Q에는 Anthropic 우선주 가치의 상향 조정 505억 달러가 따로 제시된다. 투자받은 회사의 평가액이 오르면 투자한 회사의 회계상 이익도 커질 수 있다. 이를 클라우드 고객에게 현금으로 받은 영업수익과 구분해야 한다. [Amazon 실적 발표](https://www.sec.gov/Archives/edgar/data/1018724/000101872426000024/amzn-20260630xex991.htm), [2분기 10-Q](https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm) 상장은 이 관계에 공개 거래가격이라는 기준을 더한다. 시장의 평가가 달라지면 지분 가치뿐 아니라 앞으로 투자하고 빌려줄 조건에도 영향을 줄 수 있다. 같은 고객의 성장을 전제로 만들어진 여러 평가를 함께 점검하게 되는 이유다. ## NVIDIA의 낮은 배수는 무엇을 말하나 영상 초반의 대비는 NVIDIA와 앤트로픽이다. 9월 말 보도 기준으로 NVIDIA의 선행 이익배수는 17배 미만인데, 앤트로픽에는 연환산 매출의 약 31배가 거론된다는 것이다. 이익과 매출은 분모가 다르므로 두 배수의 크기를 그대로 비교할 수는 없다. 질문은 공급자의 이익과 고객의 미래에 시장이 왜 다른 기대를 붙이는가에 있다. 영상은 네 가지 설명을 제시한다. 1. **현재 이익이 경기순환의 정점일 수 있다.** 이익이 가장 많이 나는 시점에는 PER이 낮아 보인다. 시장이 앞으로 마진과 주문이 줄어들 것으로 예상하면 낮은 배수가 유지될 수 있다. 영상은 메모리 원가 상승과 대형 고객의 자체 칩 개발을 이 경로로 설명한다. 2. **NVIDIA의 매출은 고객의 지출이다.** 연구소와 클라우드 기업이 컴퓨팅 투자를 줄이면 공급자의 매출 전망도 달라진다. 연구소가 개발 속도를 낮춰 비용을 절감하는 선택은 공급자에게 주문 감소가 된다. 3. **불확실한 미래에 높은 가격이 붙을 수 있다.** 거대한 시장을 차지할 가능성은 합리적인 성장 옵션의 가치를 만든다. 동시에 투자자가 작은 대박 확률을 과대평가하는 복권 선호도 작용할 수 있다. 두 설명은 각각 다른 이유로 높은 가격을 설명한다. 4. **가격을 정하는 시장이 다르다.** 상장주식은 매일 다양한 견해가 거래에 반영된다. 비상장 라운드에는 투자할 의사가 있는 참여자가 모이고, 공급 계약 등 전략적 이해관계가 함께 들어간다. 비관적인 견해가 상장시장처럼 쉽게 매도 거래로 표현되지 않는다. ![NVIDIA 배수와 AI 연구소 가격 차이에 대한 네 가지 설명](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/7c94e3af-c996-4259-b20c-56b232ded0e0.webp) *이익의 지속성, 고객 지출, 불확실성, 가격 형성 주체를 나눠 설명한 장면. [월가아재, 26:00](https://www.youtube.com/watch?v=66djoASwPMs\&t=1560s)* 핵심 연결은 두 번째다. 연구소가 컴퓨팅에 계속 지출하려면 자체 매출에서 재원을 만들거나 외부 자금을 계속 끌어와야 한다. 공급자의 현재 실적이 좋아도 고객의 장기 지출능력까지 자동으로 입증되지는 않는다. ## 사용량이 늘어도 가격을 지킬 수 있을까 연구소에는 비용을 줄이는 것조차 쉬운 선택이 아니다. 모델 개발 속도를 늦추면 훈련 비용을 아낄 수 있지만, 경쟁사가 따라오는 동안 기술 격차가 줄어든다. 영상은 DeepSeek와 Moonshot AI 등의 공개 모델을 이 경쟁의 사례로 든다. 선두 모델의 성능 차이에 높은 가격을 받는 회사라면 계속 투자해야 할 유인이 크다. 영상 초반에 소개하는 다리오 아모데이의 개발 속도 조절과 규제 주장도 이 비용 구조와 맞닿아 있다. 업계 전체의 속도가 낮아지면 컴퓨팅 부담을 덜 수 있지만, 경쟁자가 같은 속도로 움직인다는 보장이 없으면 개별 기업이 먼저 투자를 줄이기 어렵다. 가격 압박은 원자료에서도 확인된다. Epoch AI의 2026년 9월 분석은 2023년 이후 약 3년간 다섯 벤치마크에서 같은 성능을 달성하는 최소 비용이 분기마다 약 47%씩 내려갔다고 추정했다. 연간으로는 약 13분의 1이다. 추론에 쓰는 토큰 수까지 고려해, 그때그때 가장 경제적인 모델로 같은 성능을 얻는 비용을 계산했다. [Epoch AI, The plunging price of thought](https://epoch.ai/publications/the-plunging-price-of-thought) ![같은 성능을 얻는 최소 비용이 연간 약 13분의 1로 내려가는 추세](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/9bff4282-3e18-49bc-ba4a-ca2c0be4220c.webp) *Epoch AI 분석을 1만 3천 원과 1천 원의 예시로 설명한 장면. 특정 회사의 실제 판매단가 하락률과는 구분한다. [월가아재, 30:35](https://www.youtube.com/watch?v=66djoASwPMs\&t=1835s)* 이 결과가 곧 앤트로픽의 평균 판매단가가 매년 13분의 1이 됐다는 뜻은 아니다. 고객이 선택할 수 있는 대체재의 가격이 빠르게 내려간다는 의미다. 높은 가격을 유지하려면 성능 차이뿐 아니라 안정적인 운영, 보안과 관리 편의성, 업무 통합 같은 가치가 있어야 한다. 공개 모델은 도입 후에도 운영과 유지보수 비용이 든다. 기업 고객이 관리형 서비스에 돈을 내는 이유가 여기에 있다. 동시에 여러 모델을 자동으로 골라 쓰는 도구는 특정 공급자에게 묶이는 비용을 낮춘다. Ramp는 2026년 8월 Router를 발표하며 품질과 가동률을 유지하면서 고객의 AI 비용을 40% 줄였다고 설명했다. 이는 해당 회사가 보고한 제품 사례다. [Ramp Router 발표](https://ramp.com/blog/router-launch) 동일한 업무를 처리하는 단가가 40% 낮아진다는 가정을 해보면, 매출을 유지하는 데 필요한 사용량은 약 1.67배다. `기존 매출 = 기존 단가 × 기존 사용량`이고, 새 단가가 기존의 60%이므로 사용량은 `1 ÷ 0.6`배가 돼야 한다. 시장 전체의 매출이 40% 감소한다는 계산은 아니다. 비용이 싸져 새 수요가 생기면 전체 사용량은 더 크게 늘어날 수 있다. 영상은 OpenRouter의 주간 사용량이 20개월 만에 250배 늘었다는 사례도 소개한다. 특정 중개 플랫폼에서 관측한 성장이라는 범위를 유지해서 보면, 수요 확대와 가격 하락이 동시에 진행될 수 있다는 점이 드러난다. 투자자의 질문은 사용량이 얼마나 늘었는지에서 한 단계 더 나간다. **사용량 증가가 단가 하락을 넘어서 매출을 키우고, 그 매출 증가가 비용 증가를 넘어서 현금을 남기는가.** ## 새로운 실적은 어디까지 설명해 주나 영상 후반의 업데이트는 성장과 수익성에 대한 기대를 다시 조정하게 한다. 앞서 인용한 로이터 보도에서는 분기 매출이 1분기 47억 달러, 2분기 116억 달러, 3분기 168억 달러로 증가했다. 이 수치로 계산한 전분기 대비 성장률은 약 147%와 45%다. 규모는 커졌고, 증가 속도는 낮아졌다. 회사가 공개한 확정 재무제표가 아니라 설명회 참석자를 취재한 보도라는 성격을 함께 유지해야 한다. ![3분기 매출과 분기 성장률 변화를 설명하는 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/2315fb9b-a943-442d-b6e2-70c58db1497f.webp) *영상이 인용한 분기 매출과 성장률. 168억 달러의 분기 매출을 4배 하면 연환산 672억 달러다. [월가아재, 37:25](https://www.youtube.com/watch?v=66djoASwPMs\&t=2245s)* 분기 45% 성장도 빠르다. 다만 높은 기업가치를 지지하는 데 앞으로의 성장이 중요할수록, 성장률이 내려가는 경로가 가치평가에 크게 작용한다. 분모가 커진 영향과 공급능력, 고객 수요가 각각 얼마나 작용했는지는 한 분기 성장률만으로 분해할 수 없다. 실제 전망에는 고객 유지율과 신규 계약, 공급 용량 같은 연결 자료가 필요하다. 영상은 조정 영업이익률이 11%를 넘고 현금흐름도 플러스였다는 보도도 소개한다. 여기서 조정 영업이익은 어떤 비용을 제외했는지, 현금흐름은 어느 범위의 현금인지가 중요하다. 영업에서 들어온 현금, 설비와 재투자까지 치른 뒤 남은 현금, 신규 투자 유치로 들어온 돈은 각각 다른 항목이다. 조정 항목과 현금흐름표 없이 ‘주주에게 배분할 현금이 이미 충분하다’는 결론으로 건너뛸 수 없다. 비공개 신고서 초안을 취재한 보도로 소개되는 2025년 영업손실 80억 달러 이상과 향후 컴퓨팅 약정 5,180억 달러도 함께 봐야 한다. 5,180억 달러는 연환산 매출 672억 달러의 약 7.7배다. 이 비율은 여러 해에 걸친 총약정의 규모를 가늠하는 계산이며, 한 해 매출의 7.7배가 곧바로 비용으로 나간다는 뜻은 아니다. 지급 일정과 실제 이용량, 해지 조건이 현금 부담을 결정한다. ![조정이익 현금흐름 다년 컴퓨팅 약정을 나누어 설명한 영상 장면](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/308e960f-ad03-4524-9faa-57ef708a994e.webp) *회사 조정 기준의 흑자와 현금흐름, 여러 해의 지출 약정을 함께 제시한 장면. [월가아재, 38:20](https://www.youtube.com/watch?v=66djoASwPMs\&t=2300s)* 영상은 투자설명회 뒤 일부 투자자가 기업가치를 1.5조 달러 안팎으로 보았다는 보도도 전한다. 성장률과 조달 비용의 변화가 가격에 반영될 수 있다는 사례다. 공모 가격을 평가할 때는 같은 매출에 몇 배를 붙이는지보다, 그 가격이 요구하는 매출과 현금의 경로가 실제 사업과 맞는지 역산하는 편이 낫다. ## 상장의 결과가 한국 반도체까지 이어지는 이유 연구소가 외부 자금으로 컴퓨팅을 확보하고, 그 수요에 맞춰 데이터센터와 칩 공급자가 투자한다. GPU와 가속기에 들어가는 메모리 주문은 한국 반도체 업체의 실적으로 이어진다. 그래서 앤트로픽의 자금조달과 지출능력은 그 회사 주식을 사려는 사람뿐 아니라 이 공급망의 이익을 평가하는 투자자에게도 중요한 자료다. 상장이 모든 계약을 한꺼번에 바꾸지는 않는다. 먼저 공개 거래가격과 재무정보가 나오고, 이를 바탕으로 신규 투자와 차입, 다음 설비투자의 조건이 조정된다. 기존 계약의 집행과 실제 주문으로 전달되는 데는 시차가 있다. 한국 투자자가 읽어야 할 부분도 이 순서다. 연구소의 성장 기대가 얼마나 유지되는지, 그 기대가 다음 컴퓨팅 지출로 이어질 수 있는지를 봐야 한다. 영상은 상장 시점에 대한 정보 비대칭도 지적한다. 회사와 기존 투자자는 사업을 더 잘 아는 상태에서 자금을 모집한다. 신규 주식 발행은 성장을 위한 재원을 확보하는 수단이기도 하므로, 상장 자체를 나쁜 신호로 정해 놓기보다 공모자금의 용도와 구주매출 비중, 신규 주주가 받을 권리를 가격과 함께 읽어야 한다. 영상은 OpenAI가 상장을 서두르지 않으면서 비상장 투자에서 더 높은 평가액을 논의한다는 사례도 대비한다. 기존 투자자 사이의 가격 합의와 폭넓은 공개시장의 평가는 참여자와 정보 공개 범위가 다르다. 앤트로픽 상장은 그 차이가 가격에 어떻게 나타나는지 보여줄 계기가 된다. ![2조 달러가 요구하는 매출 성장과 재투자 후 현금 조건](https://www.readiz.com/assets/authored/25dee4b9-dc57-41ee-8c21-6e890a4e1339/cc0ce8ed-142e-4032-b9c7-1c33667bc626.webp) *매출의 확대, 가격 경쟁 대응, 재투자 후 현금과 도달 시간을 연결한 장면. [월가아재, 40:25](https://www.youtube.com/watch?v=66djoASwPMs\&t=2425s)* 2조 달러를 정당화하려면 빠른 매출 성장이 오래 이어지고, 경쟁 속에서도 충분한 현금마진이 남아야 한다. 지금까지의 수요 확대는 강한 근거다. 그 수요를 지키기 위해 앞으로 투입해야 할 돈도 크다. 나는 이 가격의 핵심 부담이 **성장과 높은 현금전환을 동시에, 비교적 이른 시점에 요구한다는 점**에 있다고 본다. 앤트로픽 상장은 그 조건을 공개 숫자와 가격으로 맞춰 보는 중요한 계기다. AI 공급망의 높은 이익을 장기간 기대하려면, 마지막 고객에게서 받은 돈이 연구소의 비용과 재투자를 거쳐 주주의 현금으로 남는 과정이 성립해야 한다. 그 연결을 보여주는 숫자가 2조 달러라는 기대를 뒷받침한다. --- --- id: "authored/9fb4af28-ba24-4e98-88c9-ba3645dd4e30" title: "앤트로픽 IPO와 AI 자금조달을 읽는 기준" description: "앤트로픽 공식 투자와 컴퓨팅 약정, 런레이트와 현금흐름, DCF 예시, Epoch AI의 성능당 비용 하락과 연구 자동화 실험의 해석 범위를 정리한다." kind: "llm-wiki" published: "2026-10-22T21:19:18.665Z" updated: "2026-11-11T06:35:21.009Z" tags: ["AI","가치평가","현금흐름","Anthropic"] url: "https://www.readiz.com/llm-wiki/anthropic-ipo-ai-financing-valuation/" markdownUrl: "https://www.readiz.com/llm-wiki/anthropic-ipo-ai-financing-valuation/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 앤트로픽 IPO와 AI 자금조달을 읽는 기준 앤트로픽의 IPO를 분석할 때는 기술의 성장, 회사의 매출, 투자자가 받을 현금을 이어서 봐야 한다. 모델 사용이 늘어도 가격과 비용이 함께 변하며, 큰 매출 숫자가 곧 투자 회수액이 되지는 않는다. 이 문서는 그 연결을 확인할 때 쓸 공식 발표와 계산 기준을 모은 자료다. 자료 확인일은 2026년 10월 22일이며, 아래 숫자의 기준일은 각각의 발표일이다. 회계와 설비투자의 일반적인 정의는 [AI 설비투자와 재무지표](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/)에서 이어 읽을 수 있다. 여기서는 앤트로픽의 자금조달, 성능당 가격 하락, 연구 자동화 성과를 기업가치에 연결하는 방법에 집중한다. ## 먼저 숫자가 가리키는 대상을 나눈다 | 지표 | 무엇을 나타내나 | 함께 읽을 항목 | | --------- | ------------------------ | ----------------------- | | 기간 매출 | 분기나 연도에 인식한 판매액 | 기간, 연결 범위, 총액 또는 순액 인식 | | 매출 런레이트 | 최근 매출 속도를 1년으로 환산한 값 | 환산한 월이나 분기, 계절성, 일회성 매출 | | 조정 영업이익 | 회사가 정한 비용을 조정한 영업 성과 | 제외 항목과 회계상 영업이익으로의 조정표 | | 영업현금흐름 | 영업활동에서 실제로 들어오고 나간 현금 | 선수금, 매출채권, 지급 시점 | | 잉여현금흐름 | 정한 기준의 투자 지출을 차감하고 남은 현금 | 설비투자, 리스, 정의의 일관성 | | 다년 구매약정 | 앞으로 여러 해에 걸쳐 이행할 계약 | 지급 일정, 취소 조건, 가격과 물량 | | 투자 후 기업가치 | 신규 투자를 반영한 주식 가치 평가 | 투자 조건, 희석, 보통주와의 권리 차이 | 가령 어떤 달의 매출이 10억 달러이고 이를 단순 연환산했다면 런레이트는 120억 달러다. 그해 120억 달러를 이미 벌었다는 의미는 없다. 조정이익에서 주식보상비용을 제외했다면 당장 나간 현금과 비용의 시점은 달라지지만, 기존 주주의 희석 문제는 남는다. 같은 이름의 지표라도 회사별 계산식부터 맞춰야 비교가 된다. ## 앤트로픽 공식 발표에서 확인되는 숫자 [2026년 2월 12일 Series G 발표](https://www.anthropic.com/news/anthropic-raises-30-billion-series-g-funding-380-billion-post-money-valuation)는 300억 달러 조달과 투자 후 가치 3,800억 달러를 제시했다. 당시 회사 전체 매출 런레이트는 140억 달러, Claude Code는 25억 달러 초과였다. [2026년 5월 28일 Series H 발표](https://www.anthropic.com/news/series-h)는 650억 달러 조달과 투자 후 가치 9,650억 달러, 그달 470억 달러를 넘은 매출 런레이트를 제시했다. 두 시점의 런레이트를 비교하면 판매 속도의 변화는 읽을 수 있다. 실제 연간 매출과 이익을 구하려면 기간별 재무제표가 필요하다. 650억 달러에는 이미 약정됐던 하이퍼스케일러 투자 150억 달러가 포함됐고, 그중 50억 달러는 Amazon 투자다. Series G에도 Microsoft와 NVIDIA가 앞서 발표한 투자 일부가 들어갔다. 투자 보도자료를 모아 총액을 계산할 때는 새로 납입된 금액, 기존 약정의 실행, 같은 거래의 재발표를 구별해야 한다. [2026년 6월 1일 발표](https://www.anthropic.com/news/confidential-draft-s1-sec)는 SEC에 비공개 draft S-1을 제출했다는 내용이다. 발표 당시 공모 주식 수와 가격은 정해지지 않았고, IPO는 시장 여건 등에 달려 있었다. 비공개 제출, 공개 등록신고서, 공모 조건 확정, 실제 상장은 각각 다른 단계다. 이후 상장 조건을 분석할 때는 최신 등록신고서와 투자설명서를 기준으로 갱신한다. ## 투자자와 공급자가 겹칠 때 돈의 방향을 그린다 [2026년 4월 20일 Amazon 협력 발표](https://www.anthropic.com/news/anthropic-amazon-compute)는 양방향 거래를 함께 담았다. Amazon은 앤트로픽에 투자하고, 앤트로픽은 AWS 용량을 장기간 구매한다. | 자금 또는 용량의 방향 | 발표 내용 | 해석할 때의 단위 | | ------------------ | ------------------------------ | ---------------- | | Amazon → Anthropic | 당일 50억 달러 투자, 장래 최대 200억 달러 추가 | 당일 투자와 미래 최대액 구분 | | Anthropic → AWS | 향후 10년간 1,000억 달러 초과 지출 약정 | 여러 해의 계약 금액 | | AWS → Anthropic | 최대 5GW 확보, 2026년 말까지 약 1GW 예정 | 계약 용량과 가동 예정 용량 | [2025년 11월 18일 Microsoft와 NVIDIA 발표](https://www.anthropic.com/news/microsoft-nvidia-anthropic-announce-strategic-partnerships)도 비슷한 구조다. 앤트로픽은 Azure 용량 300억 달러 구매를 약정했고, NVIDIA와 Microsoft는 각각 최대 100억 달러와 최대 50억 달러 투자를 약정했다. 이 연결은 모델 회사의 조달 여건이 클라우드와 반도체 수요에 전달되는 경로를 보여준다. 최종 고객의 반복 결제가 충분히 늘면 인프라 투자와 서비스 확장이 함께 지속될 수 있다. 반대로 외부 조달이 둔화할 때 확정 지급액이 빠르게 다가오면, 고객의 성장과 무관하게 먼저 자금이 부족해질 수 있다. 분석에 필요한 것은 약정 총액뿐 아니라 연도별 현금 지급표다. 10년 약정을 한 해 매출과 바로 나누면 서로 다른 기간을 비교하게 된다. 매년 동일 금액이 나간다는 가정도 계약에서 확인해야 한다. 구매약정, 실제 투자 지출, 공급사의 매출, 투자자의 주식 평가이익을 각각 표시하면 같은 돈을 여러 번 합산하는 오류를 줄일 수 있다. 투자 평가이익도 현금 유입과 구분한다. [Amazon의 2026년 7월 30일 실적 발표](https://www.sec.gov/Archives/edgar/data/1018724/000101872426000024/amzn-20260630xex991.htm)는 2분기 순이익에 주로 Anthropic 투자에서 나온 영업외 세전 기타이익 534억 달러가 포함됐다고 밝혔다. [해당 10-Q](https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm)는 Anthropic 자금조달 가격을 반영한 우선주 가치 상향 조정액을 약 505억 달러로 따로 제시한다. 534억 달러 전체를 같은 우선주의 평가이익으로 바꾸면 범위가 달라진다. 주식 가치의 상향 조정은 AWS가 고객에게서 받은 영업현금과 분리해 읽어야 한다. ## 먼 미래의 현금은 할인해서 비교한다 현금흐름할인법(DCF)은 예상 현금을 받는 시점과 위험을 현재가치에 반영한다. 한 번의 미래 현금흐름을 할인하는 식은 다음과 같다. $PV = \frac{FCF_n}{(1+r)^n}$ 여기서 $FCF_n$은 $n$년 뒤의 현금흐름, $r$은 연간 할인율이다. 설명을 위해 **10년 뒤 1조 원을 한 번 받는 가상 사례**를 계산하면 다음과 같다. 앤트로픽의 실적이나 적정가치 추정이 아니다. | 가정 할인율 | 10년 뒤 1조 원의 현재가치 | | ------ | ---------------: | | 연 10% | 약 3,855억 원 | | 연 15% | 약 2,472억 원 | 미래의 같은 1조 원도 요구수익률이 높으면 현재가치는 낮아진다. 실제 기업가치를 계산할 때는 해마다 예상되는 현금흐름과 예측 기간 이후의 잔존가치를 더한다. 기업 전체에 귀속되는 현금을 할인했다면 순차입금 등을 조정해 주주가치를 구하고, 추가 증자가 예상되면 주당 몫의 변화도 반영한다. 따라서 높은 매출 성장률을 곧바로 높은 현재 주식가치로 바꿀 수는 없다. 매출에서 추론 비용과 연구개발비, 인건비, 세금과 재투자를 거쳐 얼마의 현금이 남는지, 그때까지 얼마나 더 조달해야 하는지가 계산에 들어간다. 할인율과 잔존가치 가정이 결과를 얼마나 움직이는지도 함께 제시해야 한다. ## 성능당 가격 하락을 매출과 연결하는 법 Epoch AI의 Luke Emberson과 David Roodman은 [The plunging price of thought](https://epoch.ai/publications/the-plunging-price-of-thought)(2026년 9월 22일, 23일 수정)에서 2023년부터 약 3년 동안 수학과 과학, 게임의 5개 벤치마크를 분석했다. 특정 성능에 도달하는 최소 비용은 분기마다 약 47% 감소했고, 연간으로는 약 13분의 1이 되는 속도였다. 이 연구는 **고정된 성능을 달성하는 비용**을 비교한다. 추론 모델이 답을 내는 데 사용하는 토큰 수를 고려하므로 단순한 토큰당 가격표와 다르다. 각 시점의 최저비용 모델을 선택하는 경계를 측정했기 때문에 모델을 자주 교체하지 않는 실제 고객이 같은 절감을 모두 누린다고 볼 수는 없다. 벤치마크 성과와 실무 가치의 차이, 불완전한 표본도 저자들이 밝힌 한계다. 가격이 내려가면 기존 작업의 지출은 줄지만, 이전에는 수지가 맞지 않던 작업을 새로 처리할 수 있다. 공급자의 매출은 단가와 사용량이 함께 결정하고, 수익성은 판매가격과 처리원가의 차이에 달린다. 가상으로 단가가 10분의 1이 되어도 유료 사용량이 20배가 되면 매출은 2배다. 실제 분석에서는 같은 품질의 업무량, 유료 사용의 증가, 고객 유지와 마진을 연결해야 한다. [2026년 8월 19일 Ramp Router 발표](https://ramp.com/blog/router-launch)는 이런 선택의 실제 서비스 사례다. Ramp는 고객에게 라우팅 인프라를 제공해 품질과 가동률을 유지하면서 비용 40%를 절감했다고 밝혔다. 이는 회사가 보고한 적용 결과이며, 모든 업무의 보장 절감률은 아니다. 여러 모델을 평가해 요청을 나누는 기능은 가격 경쟁이 고객의 실제 지출에 전달되는 한 경로다. ## 연구 자동화의 97%는 무엇을 측정했나 Anthropic의 [Automated Weak-to-Strong Researcher](https://alignment.anthropic.com/2026/automated-w2s-researcher/)(2026년 4월)는 약한 모델의 감독만으로 강한 모델의 성능을 얼마나 끌어낼 수 있는지 연구했다. 지표 PGR은 약한 교사 모델의 성능을 0, 정답 데이터로 감독한 강한 학생 모델의 성능을 1로 놓은 **성능 격차 회복률**이다. 대화 선호 데이터 평가에서 인간 연구자 2명이 기존 방법 4개를 7일간 조정했을 때 최고 PGR은 0.23이었다. Claude 기반 에이전트 9개는 5일, 누적 800시간과 약 18,000달러의 계산 및 API 비용으로 0.97에 도달했다. 이 숫자는 해당 평가에서 격차의 97%를 회복했다는 뜻이다. 실제 학습 규모로의 이전에서는 결과가 달랐다. 연구진이 높은 성과를 낸 방법 하나를 Sonnet 4.0과 운영용 학습 인프라에 옮겼을 때 개선은 +0.5점으로 잡음 범위였다. 연구진은 단순한 A/B 선택 방식에서 신호를 충분히 끌어내지 못했을 가능성을 제시했다. 다른 데이터로 옮긴 대표 기법 중 하나는 수학과 코드 모두에 일반화됐다. 이 사례는 자동화된 실험 탐색의 성과와 제품 규모에서의 성과를 따로 측정해야 하는 이유를 보여준다. 연구 처리량이 증가한 다음 실제 모델 품질이나 개발비가 얼마나 개선됐는지, 그 변화가 고객의 지불 의사와 현금흐름으로 이어졌는지를 추적하면 기술 발표와 기업가치 사이의 빠진 단계를 채울 수 있다. ## 시장규모와 회사가 가져가는 몫: Uber 사례 [Uber의 2019년 S-1](https://www.sec.gov/Archives/edgar/data/1543151/000119312519103850/d647752ds1.htm)은 개인 이동 5.7조 달러, 외식 2.8조 달러, 화물운송 3.8조 달러의 잠재시장을 제시했다. 합계 12.3조 달러는 주로 2017년 전 세계 지출을 토대로 한 계산이다. [2025년 10-K](https://www.sec.gov/Archives/edgar/data/1543151/000154315126000015/uber-20251231.htm)의 총예약액은 1,934억 5,400만 달러, 매출은 520억 1,700만 달러다. 총예약액에는 승차와 배달의 거래금액, 화물매출 등이 포함된다. 매출을 TAM으로 나눈 값을 시장점유율로 쓰지 않는다. 전체 시장, 실제 거래 규모, 회사의 수익 인식, 비용 차감 후 현금으로 이어지는 단계를 설명할 때 쓰기 좋은 자료다. 상장가격과 기술의 유용성을 구분하는 역사적 사례로는 [Oracle의 2009년 Sun 인수 계약 발표](https://www.oracle.com/corporate/pressrelease/oracle-buys-sun-042009.html)가 있다. 발표 조건은 주당 9.50달러, 총거래액 약 74억 달러였다. 기업 전체 거래액과 과거 시가총액의 비율을 개인 주주의 수익률로 곧바로 바꾸지 않는다. 주당 가격을 비교하려면 주식병합과 분할, 지급조건을 조정해야 한다. ## 영상과 보도 자료의 쓰임 [월가아재의 2026년 10월 22일 영상](https://www.youtube.com/watch?v=66djoASwPMs)은 패트릭 보일의 분석을 바탕으로 가치평가, 데이터센터 자금조달, 모델 가격 경쟁을 연결한다. 영상에 등장하는 상장 목표가격, SB Energy 관련 투자와 보증 조건, 장기 현금소진 전망은 해당 영상에서 소개한 자료와 해석으로 구분한다. 계약 원문을 확인하기 전에는 회사의 현재 확정 조건으로 바꾸지 않는다. [로이터의 투자자 설명회 취재 기사](https://www.investing.com/news/stock-market-news/anthropics-q3-revenue-surges-45-to-nearly-17-billion-4950208)는 앤트로픽의 2026년 1분기 매출 47억 달러, 2분기 116억 달러, 3분기 168억 달러를 전한다. 공개된 확정 재무제표가 아닌 설명회 참석자 취재에 근거한 수치다. 3분기 매출을 4배 한 672억 달러도 연환산 속도이며 해당 연도에 확정된 연매출이 아니다. 실제 상장 자료가 공개되면 회계 인식 범위와 비교 기간을 다시 맞춘다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/bab12b80-dee2-425f-8b7f-3231072f0b8e" title: "AI 서빙의 지연과 용량을 읽는 법" description: "TTFT와 TPOT, Goodput, KV 크기, PagedAttention, 접두부 재사용, CUDA Graph와 분리 서빙의 구조와 성능 해석 기준." kind: "llm-wiki" published: "2026-10-21T04:47:32.149Z" updated: "2026-11-02T04:08:01.840Z" tags: ["AI","GPU","성능 최적화"] url: "https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/ai-serving-latency-capacity-cuda-kv-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/AI" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2FAI" --- # AI 서빙의 지연과 용량을 읽는 법 AI 서빙의 성능을 읽을 때는 첫 응답 지연, 생성 중 속도, 전체 처리량을 나누어 봐야 한다. GPU 연산량이 같아도 CPU의 호출 비용과 대기열, KV 캐시의 위치, 워커 배치에 따라 사용자가 기다리는 시간은 달라진다. 이 문서는 그 차이를 확인할 공식 자료와 지표의 해석 기준을 모은다. ## 지연과 처리량의 단위 | 지표 | 읽는 방법 | 함께 남길 조건 | | ----------- | --------------------------- | ----------------------------------- | | TTFT | 요청 후 첫 토큰까지의 시간 | 네트워크와 큐 대기 포함 여부, 입력 길이, p50 또는 p99 | | TPOT 또는 ITL | 출력 토큰당 시간 또는 토큰 사이 간격 | 계산 정의, 출력 길이, 스트리밍 방식 | | TTFA | 요청 후 첫 오디오까지의 시간 | 첫 오디오 조각의 기준과 길이, 전처리 포함 여부 | | RTF | 오디오 생성 시간 ÷ 생성된 음성의 재생 길이 | 모델, 음성 길이, 스트리밍과 동시 부하 조건 | | 처리량 | 단위 시간에 완료하거나 생성한 요청 또는 토큰 수 | 요청/초, 요청/분, 토큰/초 등 단위와 입력/출력 구분 | | 동시성 | 한 시점에 진행 중인 요청 수 | 클라이언트 동시성인지 엔진 활성 시퀀스인지 | RTF는 작을수록 빠르고 1 미만이면 재생 길이보다 짧은 시간에 생성한다. 반대로 NVIDIA AIPerf의 음성 전사 지표 **RTFx**는 `음성 길이 ÷ 요청 지연`으로 정의되므로 클수록 빠르다. 이름이 비슷해도 분자와 분모를 먼저 확인한다. [AIPerf 지표 정의](https://docs.nvidia.com/aiperf/reference/ai-perf-metrics-reference) TTFT에는 큐 대기와 입력 처리 등이 포함될 수 있다. p50은 중앙값이고, p99는 느린 꼬리 구간의 지연을 보여 준다. 사용자당 생성 속도가 개선된 배율과 시스템 전체 처리량의 개선 배율은 같은 값일 필요가 없다. ## CPU 호출 병목과 CUDA Graph GPU에서 실행하는 커널이 짧으면 CPU가 다음 커널을 준비하고 호출하는 비용의 비중이 커질 수 있다. CUDA Graph는 반복 작업을 기록하고 그래프 단위로 재실행해 호출 오버헤드를 줄인다. GPU 계산 자체가 가장 오래 걸리는지, 커널 사이가 비어 있는지를 프로파일링으로 구분할 때 유용한 개념이다. ![각 GPU 작업을 따로 호출하는 방식과 그래프 단위 재실행. 시간 비율은 측정값이 아닌 설명용 도식](https://www.readiz.com/assets/authored/bab12b80-dee2-425f-8b7f-3231072f0b8e/0c386622-20ee-4ab4-b9cc-065313e016d8.webp) *각 GPU 작업을 따로 호출하는 방식과 그래프 단위 재실행. 시간 비율은 측정값이 아닌 설명용 도식. [PyTorch 공식 글, 2021-10-26](https://pytorch.org/blog/accelerating-pytorch-with-cuda-graphs/)* [PyTorch 2.14 CUDA semantics](https://docs.pytorch.org/docs/2.14/notes/cuda.html#cuda-graphs)는 재실행 시 같은 메모리 주소를 사용하고 텐서 형태가 고정돼야 한다고 설명한다. CPU 코드는 캡처 후 재실행되는 대상이 아니다. 입력을 정해진 버퍼에 복사하고, 동적 부분은 별도 실행 경로로 처리하는 등 엔진 설계가 필요하다. CUDA Graph와 커널 fusion도 구분한다. 전자는 작업 호출을 묶고, 후자는 여러 연산을 하나의 커널로 합쳐 중간 메모리 접근과 실행 비용을 줄인다. ## KV 크기와 블록 할당 KV 캐시를 요청마다 최대 문맥 길이만큼 연속된 메모리에 예약하면 실제 출력 길이가 짧은 요청의 공간이 남는다. 연속 메모리에서 토큰이 늘어날 때마다 구역을 확장하면 할당이 단편화될 수도 있다. vLLM의 PagedAttention은 토큰별 KV를 고정 크기의 블록에 할당하고 블록 테이블로 논리 순서와 GPU 메모리의 위치를 연결한다. 요청 길이만큼 블록을 붙이므로 같은 접두부가 있는 요청의 블록을 공유할 수 있고, 한 덩어리의 큰 메모리 구역을 요구하지 않는다. 마지막 블록의 남은 칸과 블록 테이블은 여전히 비용이다. 메모리가 모자랄 때 요청을 선점해 중단하거나 KV를 이동하는 방식은 버전과 엔진 정책에 따라 다르다. [vLLM 논문](https://arxiv.org/abs/2309.06180) 모델별 캐시 용량을 설명하는 간단한 계산은 다음과 같다. Meta가 공개한 Llama 3.1 8B 기본 설정은 층 32개, KV 헤드 8개, 모델 차원 4,096, Query 헤드 32개다. 헤드 차원은 4,096 ÷ 32 = 128이다. BF16에서 K와 V를 각각 2바이트로 저장하면 32층 × K/V 2 × KV 헤드 8 × 헤드 차원 128 × 원소 2바이트 = 토큰마다 131,072바이트, 즉 128KiB다. 131,072개 토큰이면 캐시만 16GiB다. 가중치와 작업 공간, 여유 용량은 별도다. 서비스 용량을 추정할 때는 여기에 모델 버전과 실제 KV 정밀도, 캐시 구현과 동시 요청 수를 반영한다. [Meta 모델 설정](https://github.com/meta-llama/llama-models/blob/main/models/sku_list.py) ## KV 재사용, 요청 수용, 워커 확장 KV 캐시는 이미 처리한 토큰의 어텐션 상태를 재사용하기 위한 데이터다. KV-aware router는 같은 접두부의 캐시를 가진 워커를 선호해 prefill 계산을 줄일 수 있다. 캐시가 많은 워커가 바쁘면 대기 비용도 고려해야 한다. [Dynamo v1.5.1 라우터 설정 문서](https://docs.nvidia.com/dynamo/knowledge-base/modular-components/router/configuration-and-tuning)는 캐시 중복에 주는 가점과 활성 부하를 함께 조정하는 방법을 설명한다. 캐시 적중률, 워커별 활성 부하, TTFT와 ITL을 함께 봐야 라우팅 변경의 효과를 읽을 수 있다. 구체적인 플래그와 기본값은 사용 중인 버전 문서에 맞춘다. 세 가지 제어는 담당하는 문제가 다르다. | 계층 | 결정 | 확인할 결과 | | ----------------- | --------------------- | ----------------------------------- | | 라우팅 | 어느 워커로 보낼지 | 캐시 재사용과 부하 쏠림, 대기 시간 | | Admission control | 지금 받아들일지, 대기시키거나 거절할지 | 큐 길이, 시간 예산, 거절률과 수용한 요청의 지연 | | Autoscaling | 워커를 얼마나 늘리고 줄일지 | prefill과 decode의 부하, 준비 시간, GPU 사용량 | [Planner](https://docs.nvidia.com/dynamo/v1.5.1/knowledge-base/modular-components/planner/overview)는 부하 또는 지연 목표를 이용해 워커 수를 조정한다. [Grove](https://developer.nvidia.com/grove)는 역할이 다른 추론 구성요소들의 구조와 생명주기를 Kubernetes에서 표현한다. 요청 수용과 워커 확장은 반응 시간도 다르므로, 과부하 경계에서의 제어를 확장 기능 하나로 대체할 수는 없다. ## 공통 접두부 캐시의 색인과 퇴출 KV prefix caching은 같은 입력 접두부의 계산을 다시 쓰게 한다. vLLM의 설계는 각 토큰 블록 해시에 앞 블록의 해시와 현재 블록 토큰을 연결하고, 블록 전체가 일치할 때 재사용한다. LoRA나 멀티모달 입력, cache salt 등 모델이나 사용자 경계를 가르는 조건도 일치해야 한다. 재사용 범위는 동일한 앞 문맥과 추가 키 조건을 가진 토큰 블록이다. [vLLM APC 설계](https://docs.vllm.ai/en/v0.32.0/design/prefix_caching/) SGLang의 RadixAttention은 접두부를 radix tree 구조로 색인한다. 공통 구간은 공유하고 입력이 달라지는 지점에서 분기하므로 새 요청에서 일치하는 가장 긴 접두부를 찾는다. 메모리를 비울 때는 참조 중인 블록을 지키고, 자식이 없는 말단을 최근 사용 시점에 따라 퇴출하는 방식으로 공유 부모를 보존한다. HiCache 같은 계층 캐시는 GPU 바깥의 CPU 메모리나 저장 장치까지 사용할 수 있다. 같은 token prefix가 있고 낮은 계층에서 불러오는 비용보다 재계산 비용이 클 때 이득을 낼 수 있다. [SGLang HiCache 안내](https://www.sglang.io/blog/hicache) 서로 다른 접두부의 요청이 캐시 용량보다 번갈아 많이 도착하면 앞서 계산한 접두부가 밀려나고 같은 계산이 반복되는 prefix thrashing이 생긴다. 같은 접두부를 가진 요청을 먼저 묶으면 hit rate를 높일 수 있지만, 다른 요청을 오래 기다리게 해 공정성과 지연 목표를 해칠 수 있다. SGLang 논문의 정리 3.1은 미리 주어진 요청 배치에서 캐시가 가장 긴 요청을 담을 수 있는 조건을 둔다. 이 조건에서 깊이 우선 순서와 longest-shared-prefix-first 순서가 최적 캐시 적중률을 얻는다. 온라인 요청에서는 도착과 출력 길이 때문에 순서가 달라져 오래 기다린 요청의 우선순위를 함께 조정해야 한다. 벤치마크의 평균 96%는 각 벤치마크의 최적 캐시 적중률에 견준 값이다. 최대 6.4배 처리량 개선은 당시 비교 대상과 여러 최적화를 합친 측정 결과다. [SGLang 논문](https://arxiv.org/html/2312.07104) ## Prefill과 decode를 분리할 때의 비교 Aggregated serving에서는 같은 워커가 입력 처리와 생성을 맡는다. Disaggregated serving에서는 prefill과 decode 워커를 나누고, 계산한 KV 상태를 전달한다. 독립적인 용량 조절과 역할별 최적화가 장점이며, KV 전송과 통신 경로가 추가 비용이 된다. 비교할 때는 모델과 정밀도, 입력 및 출력 길이 분포, 요청률, GPU 종류와 수, 네트워크를 맞춘다. 분리 전후의 TTFT만으로 끝내지 말고 출력 중 지연과 총 처리량, 전송 비용을 함께 본다. 캐시 재사용이 많은 트래픽과 긴 입력 위주의 트래픽에서도 결과가 달라질 수 있다. [Dynamo 분리 서빙 문서](https://docs.nvidia.com/dynamo/knowledge-base/modular-components/router/disaggregated-serving) ## Goodput의 정의와 서비스 목표 Goodput은 설정한 서비스 지연 목표를 만족한 완료 요청의 처리량으로 읽는다. 요청량이 늘어 초당 완료 수가 높아져도 TTFT 또는 TPOT 기준을 넘긴 요청이 많다면 goodput은 낮을 수 있다. TTFT의 시작과 종료 지점과 TPOT 또는 ITL의 계산 방법, p50/p99 범위, 요청과 출력 길이를 함께 기록해야 엔진이나 배치를 비교할 수 있다. DistServe 논문은 TTFT와 TPOT 조건을 함께 충족하는 요청을 기준으로 서빙 구성의 처리량을 비교한다. 논문에 등장하는 최대 배율은 특정 하드웨어, 부하, 지연 목표와 기준 서빙 구성을 전제로 한다. [DistServe 논문](https://arxiv.org/abs/2401.09670) ## Speculative decoding의 결과를 읽는 법 후보를 만드는 proposer와 그 후보를 검증하는 target 모델을 구분한다. 여러 후보가 검증을 통과하면 한 번의 target 실행에서 여러 출력 토큰을 확정할 수 있다. 후보 생성에도 비용이 있으므로, 수락 길이와 검증 비용을 함께 측정해야 한다. [vLLM 공식 문서](https://docs.vllm.ai/en/latest/features/speculative_decoding/)는 제안 방식과 검증 설정, 지원 조건을 정리한다. 표준 rejection sampler를 통한 분포 보존과 검증을 완화하는 변형은 구분해야 한다. 특정 모델의 성능 향상을 재사용할 때는 draft 모델, target 모델, 병렬화와 엔진 버전, 입력 길이와 부하를 함께 남긴다. ## Attention의 메모리 이동을 줄이는 FlashAttention FlashAttention은 attention 계산에서 중간 점수 행렬을 GPU의 큰 메모리에 반복해서 쓰고 읽는 비용을 줄인다. Query, Key, Value를 타일로 나누어 빠른 on-chip 메모리로 불러오고, online softmax에 필요한 최대값과 누적합을 유지해 타일을 처리한다. 어텐션의 수학적 계산 결과는 그대로 둔 채 HBM과 빠른 메모리 사이의 이동량을 줄이는 exact attention이다. [FlashAttention 논문](https://arxiv.org/abs/2205.14135) PagedAttention은 요청의 KV 블록이 놓인 위치를 관리하는 저장 구조이고 FlashAttention은 어텐션 계산 중 메모리 이동을 줄이는 커널 알고리즘이므로 두 기법의 역할은 다르다. 둘을 함께 사용할 때는 페이지 블록을 읽는 주소와 커널이 계산에 기대하는 형태를 맞춘 구현이 필요하다. ## 시뮬레이션과 실제 검증 [NVIDIA AISimulate](https://github.com/ai-dynamo/aisimulate)는 GPU 서빙 클러스터를 띄우기 전에 성능을 예측하고 배포 구성을 탐색하는 도구다. 저장소는 후보 구성을 실제 목표 하드웨어에서 벤치마크한 뒤 용량과 SLA를 결정하도록 명시한다. 예측값은 탐색 범위를 줄이는 데 사용하고, 실측값과 같은 열에 표시할 때는 구분한다. AIConfigurator를 쓰던 자료를 따라갈 경우 [AIConfigurator 저장소](https://github.com/ai-dynamo/aiconfigurator)와 AISimulate의 이전 안내를 함께 확인한다. 2026년 10월 확인한 저장소는 AISimulate로의 전환을 안내하고 있다. 이름만 보고 오래된 예제와 최신 CLI를 섞지 않는다. ## 토스 SlashLive 사례의 수치와 범위 [토스 챌린저스의 발표](https://www.youtube.com/watch?v=t_35VpGYgiY)는 2026년 10월 14일 발표, 10월 19일 업로드로 확인된다. 다음은 발표에 제시된 구성의 측정 결과다. | 사례 | 발표값 | 해석 범위 | | ----------------- | ----------------------------------- | ----------------------------------- | | TTS RTF | 1.40 → 0.31 | 해당 기존 vLLM-Omni 구성과 자체 엔진 비교 | | TTS TTFA | 6,305ms → 107ms | 약 58.9배의 지연 감소, 발표에서는 약 60배로 표현 | | AR 추론 스텝의 비용 | 프레임워크 약 104ms, GPU 약 5ms | TTFA 전체가 아니라 표시된 스텝의 프로파일링 | | TTS 처리량 | 27K 요청/분 | 단위 시간당 요청 수 | | Gemma 4 26B | TTFT p50 42.1ms, 출력 503.25 tokens/s | 발표의 내부 구성, 외부 서비스와의 통제된 비교로 사용하지 않음 | | GLM-5.3-Flash 최적화 | 유저당 생성 속도 5.2배, 전체 처리량 2.2배 | 발표의 전후 구성 비교, 단일 기법만의 효과로 분리하지 않음 | 수치 확인 구간은 [4:30 기존 TTS](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=270s), [5:20 병목](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=320s), [6:45 최적화 결과](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=405s), [12:40 Gemma](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=760s), [14:05 GLM](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=845s)다. 다른 구성과 비교하려면 GPU와 엔진 버전, 정밀도, 요청 길이와 부하, 측정 위치를 추가로 맞춰야 한다. 사례에서 재사용하기 좋은 부분은 수치 자체보다, 프로파일링으로 수정할 계층을 좁히고 실제 서비스 목표로 개선을 판정하는 절차다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/866553f9-064a-4751-b1d9-1188315e14f6" title: "토스는 AI 모델의 응답 시간을 어떻게 지킬까" description: "TTS 지연을 줄인 자체 엔진에서 KV 라우팅, 과부하 제어, 커널 패치와 배포 자동화까지. 토스의 AI 서빙이 서비스 응답 시간을 지키는 구조를 살펴본다." kind: "record" published: "2026-10-21T04:44:24.872Z" tags: ["AI","GPU","성능 최적화"] url: "https://www.readiz.com/records/toss-ai-serving-sla-engine-kernel-workflow/" markdownUrl: "https://www.readiz.com/records/toss-ai-serving-sla-engine-kernel-workflow/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 토스는 AI 모델의 응답 시간을 어떻게 지킬까 AI 모델을 서비스에 붙이는 순간, 모델의 성능표에 없던 문제가 시작된다. 전화 상담은 답변 내용이 좋아도 한참 뒤에 말을 시작하면 어색하고, 검색은 요청이 몰릴 때마다 느려지면 사용하기 어렵다. 토스의 서빙 엔지니어링은 이 응답 시간을 지키기 위해 GPU 선택부터 요청 배분, 엔진 내부, 배포 절차까지 하나로 묶는다. 정택현 엔지니어의 SlashLive 발표에서 흥미로운 점은 최적화를 다루는 범위다. 라우터 설정을 바꾸는 것으로 해결되면 거기서 끝내고, 특정 모델의 실행 경로가 문제라면 커널을 고친다. 기존 엔진으로 요구사항을 맞출 수 없을 때는 엔진 자체도 교체한다. 이렇게 얻은 선택지를 설정과 테스트로 남겨 다음 모델에도 반복해서 쓸 수 있게 한다. 빠르게 한 번 띄우는 능력이, 많은 사용자의 응답 시간을 계속 지키는 능력으로 이어지는 구조다. 토스의 성능 수치는 2026년 10월 14일 발표에 제시된 해당 구성의 측정값이다. [YouTube: 토스는 AI모델을 어떻게 서빙할까 | SlashLive](https://www.youtube.com/watch?v=t_35VpGYgiY) ## 서비스의 응답 시간을 먼저 정한다 전화 상담을 생각하면 기준이 선명해진다. 사용자의 말을 텍스트로 바꾸는 STT, 답변을 만드는 LLM, 답변을 음성으로 바꾸는 TTS가 연결된다. 한 단계가 빨라도 앞뒤 단계에서 기다리면 사용자가 듣는 첫 응답은 늦어진다. 발표에서 제시한 상담 응답 목표는 700ms 이내였다. 사용자의 발화를 처리하고 답변 음성이 나오기까지의 지연을 관리하는 기준이다. TTS에는 두 가지 시간을 따로 둔다. \*\*RTF(Real-Time Factor)\*\*는 생성에 걸린 시간을 생성된 음성의 재생 길이로 나눈 값이다. 예를 들어 10초짜리 음성을 3초에 만들면 0.3이다. 재생 속도를 따라가려면 1보다 작아야 한다. \*\*TTFA(Time to First Audio)\*\*는 요청 후 첫 오디오가 나올 때까지 걸린 시간이다. 총 생성 속도가 빨라도 첫 조각이 늦게 나오면 통화 상대는 기다려야 한다. 토스가 이 사례에 설정한 TTS 목표는 RTF 1.0 미만, TTFA 140ms 미만이었다. 여기에 요청량을 늘려도 같은 기준을 만족해야 한다는 조건이 붙는다. 한 사람과 통화할 때의 성공을 많은 사람이 동시에 사용하는 서비스까지 이어가야 하기 때문이다. ![음성 인식에서 답변 생성과 음성 출력으로 이어지는 상담 응답 경로](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/1791ac4c-ae30-4a4a-b55d-85e046d911c3.webp) *음성 인식에서 답변 생성과 음성 출력으로 이어지는 상담 응답 경로. [토스 챌린저스, 3:38](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=218s)* 이런 조건이 있어야 GPU와 엔진을 고르는 기준도 생긴다. 최고 사양 GPU를 먼저 정해 놓고 모델을 올리는 순서보다, 목표 응답 시간과 처리량을 정한 뒤 그 조건을 만족하는 구성을 찾는 순서가 자연스럽다. ## GPU와 엔진 선택을 설정으로 남긴다 토스는 모델 요청이 들어오면 필요한 GPU 수와 비용, ROI를 시뮬레이션한다. Blackwell, Hopper, Ada Lovelace, Ampere 등 보유한 장비 중 어디에 올릴지, vLLM이나 SGLang 같은 엔진 중 무엇을 쓸지 정한다. 엔진 버전도 선택지다. 검증된 안정 버전을 기본으로 두되, 필요한 기능에 따라 사전 릴리스나 특정 PR의 변경을 이어 쓰기도 한다. 전처리와 후처리, 자체 커널과 코드 패치, speculative decoding, Dynamo의 라우터와 분리 서빙 구성까지 같은 흐름에 들어간다. 이 선택을 모델마다 새 코드로 흩어 놓으면, 무엇을 바꿨는지 추적하기 어렵고 다음 배포가 다시 수작업이 된다. 발표에서 강조한 config-driven 방식은 이런 결정을 설정으로 표현하고, 선택한 조합을 시뮬레이션과 검증, 배포로 이어 주는 방식이다. ![서빙 시뮬레이션, GPU와 엔진, 내부 최적화와 Dynamo 구성의 선택 흐름](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/0b94b9bf-d668-4e07-a871-ef086c2effe2.webp) *서빙 시뮬레이션, GPU와 엔진, 내부 최적화와 Dynamo 구성의 선택 흐름. [토스 챌린저스, 1:10](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=70s)* 실제 요청을 받는 쪽에서는 KV 캐시를 고려하는 라우터, 과부하를 막는 admission control, 필요한 워커를 늘리는 Planner와 Grove가 연결된다. 그 아래에 추론 엔진과 GPU가 있고, KV 캐시는 GPU 메모리와 호스트 메모리, 저장장치로 이어진다. 관측도 별도 장식이 아니다. 어느 계층에서 시간이 새는지 알아야 다음 변경의 위치를 정할 수 있다. ![라우팅부터 엔진, GPU와 KV 캐시 계층까지 이어지는 서빙 구조](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/008752cc-e97c-4bab-969b-7a6f7aa5cdeb.webp) *라우팅부터 엔진, GPU와 KV 캐시 계층까지 이어지는 서빙 구조. [토스 챌린저스, 3:12](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=192s)* ## TTS는 GPU가 일하기 전의 시간을 줄였다 발표 당시의 해당 TTS 모델은 vLLM-Omni 구성에서 RTF 1.40, TTFA 6,305ms가 나왔다. 실시간 재생을 따라가지 못하고, 첫 음성을 듣기까지도 6초가 넘는다. 다른 엔진은 도입 시점에 해당 모델 지원이 충분하지 않았다. 모델의 음성 품질을 확보한 상태에서, 서빙 지연이 서비스 출시를 막고 있던 셈이다. ![당시 모델과 엔진 조합에서 목표를 넘긴 RTF와 TTFA](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/c3bd944b-b4c5-4300-9d7a-6d31c531ae52.webp) *당시 모델과 엔진 조합에서 목표를 넘긴 RTF와 TTFA. [토스 챌린저스, 4:30](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=270s)* 프로파일링 결과는 단순히 GPU 계산이 오래 걸린다는 예상과 달랐다. 화면의 AR 추론 스텝에서는 프레임워크 비용이 약 104ms, GPU 연산이 약 5ms로 제시된다. 프레임워크 비중은 95.4%. 이는 첫 오디오까지의 6,305ms 전체를 분해한 비율이 아니라, 화면에 표시된 추론 스텝의 분석이다. 오디오 모델은 Talker와 Predictor 등 여러 단계를 거칠 수 있고, 내부에서 작은 연산과 반복 호출이 이어진다. 매번 스케줄링하고 연산을 호출한 뒤 다음 단계로 넘기는 비용이 쌓이면 GPU가 계산을 끝내도 다음 일을 바로 받지 못한다. GPU를 더 빠른 것으로 바꿔도 CPU 쪽 호출과 스케줄링 대기가 그대로 남는 구조다. ![AR 추론 스텝의 프레임워크 오버헤드와 반복 스케줄링 구조](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/0713540d-9eff-487a-82ed-686165912a9d.webp) *AR 추론 스텝의 프레임워크 오버헤드와 반복 스케줄링 구조. [토스 챌린저스, 5:20](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=320s)* 여기서 CUDA Graph가 역할을 한다. 반복되는 GPU 작업을 그래프로 기록한 뒤, 매번 각 연산을 따로 호출하는 대신 묶어서 재실행한다. CPU가 Python과 C++, 드라이버 계층을 거치며 커널을 하나씩 준비하는 비용을 줄이는 방식이다. [PyTorch 공식 설명](https://docs.pytorch.org/docs/2.14/notes/cuda.html#cuda-graphs)도 주된 이점을 CPU 호출 오버헤드 감소로 설명한다. ![개별 커널 호출을 한 번의 그래프 실행으로 묶는 원리. 실제 시간 비율을 나타낸 성능 그래프가 아닌 개념도](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/83e43af1-830f-40b8-ba5f-eac2ff9bf733.webp) *개별 커널 호출을 한 번의 그래프 실행으로 묶는 원리. 실제 시간 비율을 나타낸 성능 그래프가 아닌 개념도. [PyTorch, Accelerating PyTorch with CUDA Graphs](https://pytorch.org/blog/accelerating-pytorch-with-cuda-graphs/)* 토스는 모델별로 배치 처리가 가능한 범위의 그래프를 여러 개 만들고, 비동기 스케줄러를 구현해 그래프 연산이 계속 이어지도록 했다. CUDA Graph는 같은 메모리 주소와 정해진 텐서 형태를 재사용하는 제약이 있으므로, 크기와 흐름이 다른 요청을 어떤 그래프로 보낼지도 엔진이 관리해야 한다. 그래프 안에 넣은 CPU 코드까지 자동으로 재실행되는 기능으로 이해하면 안 된다. 이 엔진은 기존 서빙 시스템의 엔진 자리만 바꿔 끼울 수 있도록 구성했다. 모든 TTS를 자체 엔진으로 옮기는 것도 아니다. 주요 오픈소스 엔진을 선택지로 유지하고, SLA를 맞추기 위해 추가 최적화가 필요한 모델에 자체 엔진을 선택한다. ![기존 라우팅과 GPU 관리 구조 안에 들어가는 자체 TTS 엔진](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/afd9b47b-fc08-4781-8967-653ced73c03f.webp) *기존 라우팅과 GPU 관리 구조 안에 들어가는 자체 TTS 엔진. [토스 챌린저스, 6:05](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=365s)* 최종 발표값은 RTF 0.31, TTFA 107ms였다. RTF는 약 4.5배 개선됐고 첫 오디오 지연은 약 59배 줄었다. 발표에서는 이를 약 60배로 설명한다. 처리량 화면에는 분당 27K 요청이 제시됐다. 발표 화면의 단위는 요청/분이다. | TTS 지표 | 발표의 기존 vLLM-Omni 구성 | 자체 엔진 결과 | 목표 | | ----------- | ------------------: | -------: | -------: | | RTF | 1.40 | 0.31 | 1.0 미만 | | 첫 오디오까지의 시간 | 6,305ms | 107ms | 140ms 미만 | ![발표에 제시된 TTS 최적화 결과](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/9fb7af7b-a332-4de8-8e9e-7a52dc2cf1b7.webp) *발표에 제시된 TTS 최적화 결과. [토스 챌린저스, 6:45](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=405s)* 이 사례의 성과는 응답 시간을 줄여 실제 상담 서비스가 요구한 기준 안에 들어왔다는 데 있다. 병목을 측정하고, 그 시간을 만드는 실행 구조를 바꾼 결과다. ## 요청이 늘면 계산을 나누고, 캐시와 부하를 함께 본다 발표에는 전체 처리 규모가 하루 195B+ 토큰, 분당 135M+ 토큰으로 제시된다. 당시 토스가 다루던 모델도 40종 이상이었다. 요청의 크기와 응답 길이, 필요한 지연 수준이 다른 모델을 모두 같은 구성으로 처리하기 어려운 이유다. ![발표 당시 서비스별 요청 규모와 전체 토큰 처리량](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/295b8ed0-86d7-41a9-8cfb-bb71fa7cabd6.webp) *발표 당시 서비스별 요청 규모와 전체 토큰 처리량. 왼쪽 AIOC 그래프의 12월 150M TPM은 예상값. [토스 챌린저스, 7:20](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=440s)* LLM 추론은 입력을 읽는 **prefill**과 답변 토큰을 이어 만드는 **decode**로 나누어 볼 수 있다. 입력이 긴 요청은 prefill 작업이 커지고, 긴 답변은 decode 단계를 오래 점유한다. Aggregated serving은 두 단계를 같은 워커가 맡고, disaggregated serving은 역할을 나누어 각각의 워커에서 처리한다. 분리하면 두 단계의 필요량에 맞춰 자원을 배분하기 쉬워지는 대신, 단계 사이에 KV 캐시를 전달하는 비용이 생긴다. 토스는 기본적인 통합 구성에서 시작해, 필요한 모델에는 분리 구성을 선택한다. 설정을 바꾸면 해당 구조의 배포와 테스트, 벤치마크가 이어지고 그 결과로 결정한다. 분리 자체를 목표로 삼지 않고, 해당 모델의 요청 패턴에서 이득이 나는지를 판단하는 것이다. ![같은 워커에서 처리하는 구성과 prefill, decode를 나눈 구성](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/1d441b1e-b232-4b54-b154-a4e51b94667a.webp) *같은 워커에서 처리하는 구성과 prefill, decode를 나눈 구성. [토스 챌린저스, 7:45](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=465s)* 두 구성에 공통으로 적용하는 것이 **KV-aware routing**이다. KV 캐시는 앞서 읽은 토큰의 어텐션 계산 결과 중 재사용할 수 있는 상태다. 같은 접두부를 가진 요청을 그 상태가 남아 있는 워커에 보내면 처음부터 다시 계산하는 일을 줄일 수 있다. 문제는 캐시가 많이 쌓인 워커가 계속 선택될 수 있다는 것. 이미 바쁜 워커에 요청을 더 보내면 계산을 절약한 이익보다 대기 시간이 커진다. 토스는 캐시 재사용에 더해 부하 페널티를 적용해 한쪽으로 쏠리는 현상을 줄였다. [Dynamo의 라우터 문서](https://docs.nvidia.com/dynamo/knowledge-base/modular-components/router/configuration-and-tuning)도 캐시 중복과 활성 부하 사이의 균형을 조절하도록 설명한다. 캐시 적중률이 높다는 사실만으로 응답 시간이 짧아지는 것은 아니어서, 재사용과 대기를 함께 비용으로 보는 셈이다. ![캐시 재사용 이득과 워커 부하를 함께 반영하는 라우팅](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/4a0d8f0e-74ed-43e7-ba42-45f360bc8740.webp) *캐시 재사용 이득과 워커 부하를 함께 반영하는 라우팅. [토스 챌린저스, 8:10](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=490s)* ## 순간적인 폭주와 지속적인 증가는 다르게 처리한다 긴 입력이나 큰 이미지가 섞이거나 요청이 한꺼번에 몰리면, 처리 가능한 범위를 넘어서는 순간 응답 시간이 급격히 나빠진다. 이미 받아 놓은 일을 끝내지 못하는 상태에서 계속 새 요청을 넣으면 대기열만 길어진다. **Admission control**은 이 경계에서 요청을 받을지 결정한다. 발표에서는 활성 decode 블록 수를 기본 신호로 삼고, prefill 부하와 대기 중인 요청 수까지 고려한다고 설명한다. 정한 안전선을 넘는 요청은 HTTP 429로 거절하고 호출 측의 재시도나 대체 경로로 넘긴다. 화면의 80%는 설명에 사용된 기준값이며, 모든 모델에 그대로 적용하는 공통 최적값으로 볼 수는 없다. ![활성 decode 블록의 비율과 안전선을 기준으로 요청 수용을 판단하는 예시](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/52c51800-bdee-4505-ad03-47150563e269.webp) *활성 decode 블록의 비율과 안전선을 기준으로 요청 수용을 판단하는 예시. [토스 챌린저스, 9:10](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=550s)* 반면 부하가 계속 높게 유지되면 실제 처리 용량을 늘려야 한다. 토스는 prefill과 decode 중 어느 쪽에 부하가 쌓이는지 계산하고, Dynamo의 Planner와 Grove를 이용해 워커를 확장한다. 발표에서는 GPU들이 InfiniBand로 연결돼 있다고 설명한다. 역할을 나눈 워커 사이의 KV 전달과 확장에는 이런 연결 조건도 중요해진다. 공식 문서에서 [Planner](https://docs.nvidia.com/dynamo/v1.5.1/knowledge-base/modular-components/planner/overview)는 부하나 지연 목표에 따라 필요한 복제본 수를 판단하는 계층이다. [Grove](https://developer.nvidia.com/grove)는 서로 관련된 추론 워크로드의 구조와 생명주기를 Kubernetes에 표현한다. 무엇을 얼마나 늘릴지와, 필요한 구성요소들을 어떻게 함께 배치할지가 이어진다. ![부하를 읽는 Planner, 배치를 관리하는 Grove, 분리된 prefill과 decode 워커](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/2001e8da-4123-464e-956d-b8620a6698f2.webp) *부하를 읽는 Planner, 배치를 관리하는 Grove, 분리된 prefill과 decode 워커. [토스 챌린저스, 9:40](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=580s)* KV-aware routing은 기존 자원을 더 잘 쓰게 하고, admission control은 갑작스러운 과부하에서 처리 중인 요청을 보호한다. Autoscaling은 계속 늘어난 수요에 맞춰 용량을 추가한다. 세 기능은 서로 다른 시간대와 문제를 맡는다. ## 엔진을 띄운 뒤에도 모델별 실행 경로를 고친다 같은 vLLM을 사용해도 모델 구조에 따라 선택되는 커널과 병목은 달라진다. 발표의 Gemma 사례에서는 sliding attention과 full attention의 head dimension이 달랐고, 당시 구현이 Triton 커널 경로를 사용하고 있었다. 토스는 sliding attention에는 FlashAttention 3, full attention에는 FlashAttention 4를 적용하는 식으로 실행 경로를 바꾸고, 회귀 테스트로 결과를 검증했다. Attention 계산을 여러 SM에 나누는 병렬화도 점검한다. SM은 GPU에서 연산을 수행하는 실행 단위다. 작업이 일부에만 몰리면 다른 실행 단위가 남으므로, 계산을 나누고 결과를 합치는 구조가 성능에 영향을 준다. MoE 커널도 요청 크기에 맞춰 선택한다. 화면에서는 현재 실행의 입력 토큰 수 M이 256보다 작을 때 Marlin, 256 이상일 때 CUTLASS를 선택하는 예가 나온다. 이 기준 역시 해당 구현에서 선택한 경로다. ![어텐션별 커널 선택, SM 병렬화, 입력 크기에 따른 MoE 커널 분기](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/b9b8ad8b-fb68-4d7b-b95d-060818c2f25d.webp) *어텐션별 커널 선택, SM 병렬화, 입력 크기에 따른 MoE 커널 분기. [토스 챌린저스, 11:05](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=665s)* [발표의 Gemma 4 26B 결과](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=760s)는 TTFT p50 42.1ms, 출력 속도 503.25 tokens/s, TPOT 1.99ms다. TTFT는 첫 토큰이 나올 때까지의 시간, TPOT는 이후 출력 토큰당 시간이다. 여기서는 토스가 제시한 구성의 결과로 읽으면 된다. 이런 수정은 엔진 버전 하나를 고르는 일보다 유지할 것이 많다. 어떤 모델과 입력에서 패치를 켤지, 출력이 바뀌지 않는지, 다음 버전에서 같은 수정이 필요한지 계속 확인해야 한다. 발표에서 프로파일링과 회귀 테스트, 오픈소스 기여를 함께 이야기하는 이유도 여기에 있다. ## 출시 당일 서빙에는 빠른 패치와 검증이 함께 필요하다 GLM-5.3-Flash 사례에서는 모델 가중치가 공개된 날 바로 서비스할 필요가 있었다. 그런데 DFlash2 같은 speculative decoding 연결이 빠져 있거나, 분산 처리 경로에서 서버가 종료되는 문제가 있었다고 한다. 토스는 필요한 중간 출력의 연결과 tensor parallelism 경로의 오류를 고쳐 당일 서빙에 적용했다. **Speculative decoding**은 후보 토큰을 여러 개 먼저 제안하고 target 모델이 묶어서 검증하는 방식이다. 매번 비싼 모델로 한 토큰씩 순차 생성하는 횟수를 줄일 수 있다. [vLLM의 공식 설명](https://docs.vllm.ai/en/latest/features/speculative_decoding/)에서도 proposer와 검증 경로를 구분한다. 후보를 만든다는 사실만으로 빨라지는 것은 아니며, 검증을 통과하는 비율과 후보 생성 비용이 실제 이득을 좌우한다. ![여러 후보 토큰을 제안한 뒤 한 번에 검증하는 흐름](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/4aa2925c-3e74-4c4b-9b45-42c32000cfe2.webp) *여러 후보 토큰을 제안한 뒤 한 번에 검증하는 흐름. [토스 챌린저스, 13:20](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=800s)* 해당 GLM-5.3-Flash 최적화 결과 화면에는 유저당 생성 속도 5.2배, 전체 처리량 2.2배 개선이 제시된다. TTFT는 4.28초에서 0.33초, TPOT는 18.61ms에서 3.49ms로 바뀌었다. 한 사용자가 체감하는 생성 속도와 시스템 전체가 처리하는 양은 서로 다른 지표라서 개선 배율도 다르다. 이 값은 발표의 최적화 전후 구성 비교이며, speculative decoding 하나의 독립 효과로 분리해 측정한 결과라고 확대하지 않는다. ![GLM-5.3-Flash 최적화 전후의 사용자 생성 속도와 전체 처리량](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/35ef5006-22f0-4778-8c77-c73bccc47cba.webp) *GLM-5.3-Flash 최적화 전후의 사용자 생성 속도와 전체 처리량. [토스 챌린저스, 14:05](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=845s)* Day 0 서빙을 가능하게 하는 것은 출시 소식을 빨리 보는 것만이 아니다. 실패한 실행 경로를 좁히고, 고친 부분이 출력과 분산 실행을 망가뜨리지 않았는지 검증할 수 있어야 한다. 그 능력이 있어야 모델 지원 일정이 외부 패치 일정에만 묶이지 않는다. ## 커널 지원을 넓히면 남는 GPU도 쓸 수 있다 주력 GPU가 바쁠 때 보조 GPU가 남아 있어도, 필요한 커널이 그 장비에서 실행되지 않으면 여유 자원을 활용하기 어렵다. 발표에서 GLM-5.2로 소개한 사례에서는 DSA 인덱서와 sparse MLA 경로가 Hopper 계열을 대상으로 만들어져 A100에서 그대로 실행하기 어려웠다. DSA의 인덱서는 어텐션에 사용할 토큰을 고르고, sparse MLA는 선택한 위치의 KV를 이용해 계산한다. 토스는 이 경로를 A100에서도 실행하도록 BF16 기반의 Triton 커널을 개발하고 엔진에 연결했다. 모델 파일이 메모리에 들어가는 것과 실제 추론 경로가 GPU에서 작동하는 것은 별개라는 점이 여기서 드러난다. ![A100을 위한 DSA 인덱서와 sparse MLA 실행 경로](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/f5670a9a-cd5a-4030-b8ff-1a203e9cd3a3.webp) *A100을 위한 DSA 인덱서와 sparse MLA 실행 경로. [토스 챌린저스, 15:00](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=900s)* 작은 연산들을 합치는 **operation fusion**도 같은 층의 작업이다. 발표에서는 `out = SiLU(gate) × up`을 예로 든다. 활성화 함수를 계산한 중간 결과를 저장하고 다시 읽어 곱하는 대신, 필요한 작업을 하나의 커널로 합쳐 중간 메모리 접근과 호출을 줄인다. 이렇게 만든 CUDA C++ 커널을 Rust 코드베이스에 연결해 운영하는 구조도 보여 준다. ![SiLU와 곱셈을 합친 커널을 Rust API에서 호출하는 구조](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/84e1c77b-ceda-449c-b5f7-509eeaa26372.webp) *SiLU와 곱셈을 합친 커널을 Rust API에서 호출하는 구조. [토스 챌린저스, 15:50](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=950s)* 이 지원 범위가 넓어지면 상위 게이트웨이는 Hopper와 Blackwell, Ada Lovelace 같은 서로 다른 GPU 풀의 용량을 고려해 요청을 보낼 수 있다. 남은 GPU에 일을 보내는 라우팅과, 그 GPU에서 일이 실제로 실행되도록 만드는 커널 개발이 연결되는 것이다. ![이기종 GPU 풀의 처리 용량을 반영하는 게이트웨이](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/2cbfa9af-b4b4-4211-86dc-cd2facf1bf84.webp) *이기종 GPU 풀의 처리 용량을 반영하는 게이트웨이. [토스 챌린저스, 16:45](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=1005s)* 시간대도 자원 배분에 활용한다. 실시간 서비스가 많은 주간에는 그 요청을 우선하고, 수요가 줄어드는 야간에는 백필이나 배치 처리, 검수 작업을 수행한다. 같은 GPU를 계속 한 가지 작업에 묶어 두지 않고, 서비스의 수요 패턴에 맞춰 역할을 바꾸는 방식이다. ![주간 실시간 서비스와 야간 배치 작업을 나누는 스케일링 패턴](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/27db1f55-4fbe-4096-b4af-359e36abdb85.webp) *주간 실시간 서비스와 야간 배치 작업을 나누는 스케일링 패턴. [토스 챌린저스, 17:35](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=1055s)* ## 최적화의 결과를 다음 배포에 다시 쓴다 이 많은 선택을 매번 수동으로 수행하면 모델 수가 늘수록 서빙 팀이 막힌다. 발표 후반의 자동화는 모델 탐지에서 시작해 시뮬레이션, 업로드, 검증 환경 구성, 테스트, 벤치마크로 이어진다. 에이전트는 도구를 실행하고 결과를 해석하며 후속 작업을 이어 간다. SLA가 부족하면 최적화 단계로 돌아가고, 최종 배포 승인은 엔지니어가 맡는다. ![모델 탐지부터 시뮬레이션과 검증, 벤치마크, 승인으로 이어지는 작업 흐름](https://www.readiz.com/assets/authored/866553f9-064a-4751-b1d9-1188315e14f6/3f693c60-dd43-4a2f-b33a-768e0b7e61a0.webp) *모델 탐지부터 시뮬레이션과 검증, 벤치마크, 승인으로 이어지는 작업 흐름. [토스 챌린저스, 18:20](https://www.youtube.com/watch?v=t_35VpGYgiY\&t=1100s)* 시뮬레이션은 선택지를 좁히고, 실제 테스트와 벤치마크는 선택한 구성을 검증한다. 관련 공개 도구인 NVIDIA의 [AISimulate](https://github.com/ai-dynamo/aisimulate)도 목표 하드웨어에서의 검증을 대체하지 않는다고 명시한다. 발표의 흐름에서도 시뮬레이션 뒤에 검증과 벤치마크가 따로 있는 이유를 이해할 수 있다. 새 모델은 당일 제공을 목표로 하고, 새 버전이 나오면 마이그레이션하며 사용량이 낮은 모델은 내린다. 발표의 모델 목록은 이런 운영 이력을 포함한다. 마지막에 제시한 발전 단계는 빠른 제공을 위한 자동화와 CI/CD, 대규모 서비스의 SLA를 맞추기 위한 엔진과 커널 최적화, 그리고 아직 공개하지 않은 다음 단계였다. 먼저 새 모델을 안정적으로 제공할 수 있게 하고, 그 위에서 더 많은 요청과 더 까다로운 응답 시간을 감당하는 방향이다. 이 사례에서 가져갈 핵심은 측정과 수정의 연결이다. 사용자에게 필요한 시간을 정하고, 그 시간이 깨지는 계층을 찾고, 바꾼 구성을 다시 검증한다. 그 결과를 설정과 자동화에 넣어 다음 모델에도 이어 쓴다. 토스의 서빙 플랫폼은 이런 반복을 통해 모델 수와 트래픽이 함께 늘어나는 상황을 감당하고 있었다. --- --- id: "authored/33cd23ef-d86c-45a6-aab6-662528214744" title: "프랑스 학교를 고칠 돈, 누가 부담할 것인가" description: "학생들이 요구한 교사와 시설에서 출발해 프랑스의 예산 합의가 어려운 이유를 살펴본다. 연금과 복지, 국가채무와 산업 투자를 둘러싼 부담 배분의 문제다." kind: "record" published: "2026-10-20T22:28:13.108Z" updated: "2026-11-11T05:30:26.464Z" tags: ["프랑스","국가부채","교육","연금"] url: "https://www.readiz.com/records/france-school-fiscal-gridlock-future-investment/" markdownUrl: "https://www.readiz.com/records/france-school-fiscal-gridlock-future-investment/index.md" recordFolder: "경제·금융/재정·연금" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%AC%EC%A0%95%C2%B7%EC%97%B0%EA%B8%88" --- # 프랑스 학교를 고칠 돈, 누가 부담할 것인가 교사를 더 채우고 학교 시설을 고치려면, 필요한 돈을 어디에서 마련할지부터 정해야 한다. 압권의 영상에 소개된 프랑스 학생들의 요구는 이 예산의 문제로 이어진다. 연금과 복지의 약속을 지키면서 교육에 더 쓰고, 늘어나는 이자도 감당하려면 누군가는 추가 부담을 받아들여야 한다. **학교를 지원한다는 공감대를 실제 지출로 옮길 정치적 합의가 필요하다.** 영상은 학생 시위에서 국가부채, 세 갈래로 나뉜 의회, 연금과 자동차 산업으로 시야를 넓힌다. 각 진영이 서로 다른 지출과 혜택을 지키려 할 때, 정부에 반대할 다수는 모여도 몇 년 동안 실행할 예산을 지지할 다수는 만들기 어렵다. 학교의 요구에서 출발한 질문은 결국 기존의 약속과 미래에 필요한 투자를 어떤 재원으로 함께 지탱할 것인가에 닿는다. [YouTube: 나라가 망해도 양보할 생각 없는 '극좌, 극우'... 프랑스가 골로간 이유 \[딥순우\]](https://www.youtube.com/watch?v=cvTypG6DeW0) *압권 Apkwon, 2026년 10월 20일 게시. 이주호와 권순우 출연, 10월 19일 촬영.* ## 학생들이 요구한 것은 수업을 받을 조건이었다 영상에서 소개하는 학교의 모습은 꽤 구체적이다. 개학했는데 수학 교사를 구하지 못해 세 달 동안 수업 공백이 생겼고, 화장실에는 휴지와 비누가 없었다. 책걸상이 부족해 체육 수업을 나간 반의 것을 가져다 쓰고, 깨진 유리창을 나무판으로 막아 놓은 사례도 나온다. 이런 불편은 학생에게 매일 반복되는 학습 손실이다. 수업 한 번을 보충하는 것과 한 학기 동안 제대로 배우지 못한 내용을 따라잡는 것은 전혀 다른 일이다. ![영상에 소개된 프랑스 학교 시설의 모습](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/bcdd1ee3-8427-494e-a1cf-88f655038609.webp) *학교 시설 사례. 화면 출처는 Le HuffPost와 학생 및 교사 촬영 자료이며 과거 촬영분이 포함된다. [압권, 3:10](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=190s)* 학생 수와 교원 배치의 시차도 있다. 영상은 중고생이 약 558만 명으로 2008년보다 25만 명 늘어난 동안 교사 확보는 어려워졌다고 설명한다. 출생아가 많았던 세대가 고등학교에 진입하는 시기와 교원을 줄이거나 충원하지 못하는 시기가 겹쳤다는 이야기다. 평균 건물 연령 61년, 신축과 개보수 비율 15%, 교사 부족으로 진행하지 못하는 수업 약 10%도 영상에 제시된 수치다. 이 숫자들의 세부 조사 범위와 기준 연도는 영상에서 확인되지 않는다. 발표자도 [5:33 이후](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=333s) 전국 평균만으로는 문제가 극적으로 드러나지 않고 특정 지역에 심각한 사례가 집중된다고 짚는다. 교사를 구하기 어려운 학교에 공백이 반복되고, 이미 여건이 좋은 학교는 경험 있는 교사와 진학 지도를 확보한다. 평균 인력과 평균 예산이 비슷해 보여도 학생이 실제로 받는 교육은 크게 달라질 수 있다. 학교 시설에 대한 항의는 그래서 교육의 형평성으로 이어진다. 어느 학교에서는 안정적으로 수업을 듣고 입시 상담을 받는데, 다른 학교에서는 담당 교사가 있는지부터 걱정한다. 학생들이 문제 삼는 것은 같은 제도 안에서 경쟁하기 전에 갖춰져 있어야 할 조건의 차이다. 영상은 대도시 명문고 학생들까지 시위에 동참했다는 사례를 통해, 교육을 계층 이동의 통로로 보는 기대가 여전히 강하다고 해석한다. ![안정적인 수업과 반복되는 공백을 비교한 영상의 설명](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/51739a2f-5290-4298-a9ce-444350d8c2ae.webp) *학교 환경이 진학 준비의 차이로 이어지는 과정. 화면은 2023년 센생드니 관련 의회 보고서를 출처로 표시한다. [압권, 6:34](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=394s)* 이 문제에 입시 제도가 겹친다. 2018년 도입된 파르쿠르수프(Parcoursup)는 대학 진학 지원을 모으는 플랫폼이다. 영상은 학교 성적과 여러 활동을 함께 평가하면서 학생들이 오랜 기간 입시 준비를 해야 한다는 불만을 소개한다. 교사가 부족한 학교의 학생에게는 수업 공백에 더해 지원서와 진학 준비를 도와줄 사람까지 부족해지는 셈이다. [공식 안내](https://www.parcoursup.gouv.fr/faq/thematiques/fonctionnement-de-parcoursup/examen-des-voeux-par-les-formations)를 보면 성적표와 교사 평가, 바칼로레아 관련 성적, 학교가 작성하는 진학 자료인 *fiche avenir* 등이 전달된다. 활동과 관심사 항목은 작성한 경우 포함되고, 지원 동기서는 일부 과정에서 요구한다. 각 교육과정이 공개한 기준으로 지원서를 심사한다. 하나의 중앙 심사위원회가 전국 학생을 일괄 평가하는 방식은 아니다. ![영상에서 소개한 Parcoursup 공식 안내 페이지](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/8bde1577-de80-4065-a7bb-e58b2f3473ca.webp) *성적과 학교의 지원 자료가 함께 쓰이는 대입 절차. [압권, 7:08](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=428s)* 교육 격차는 별도의 국제 비교에서도 확인된다. OECD의 PISA 2022에서 프랑스의 사회경제적 지위 상위 25% 학생과 하위 25% 학생의 수학 점수 차이는 113점이었다. OECD 평균은 93점이다. 부모의 직업과 교육, 가정 자원을 반영한 지표로 나눈 15세 학생 집단의 비교다. 학교가 서로 다른 출발 조건을 얼마나 보완하느냐는 오래된 질문을 수치로 보여준다. ![PISA 2022 프랑스와 OECD 평균의 사회경제적 배경별 수학 점수 격차](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/3cb5c39c-7223-43c1-9abe-8febcfb9ecae.webp) *2022년 관측치로 직접 그린 비교. [OECD 프랑스 국가 보고서](https://www.oecd.org/en/publications/pisa-2022-results-volume-i-and-ii-country-notes_ed6fbcc5-en/france_8008535b-en.html). 점수 차이이며 비율이 아니다.* ## 학교를 고칠 돈은 어디에서 가져올까 교사를 더 채용하고 건물을 고치려면 재원이 필요하다. 영상은 교육 여건 개선에 약 18조 원이 든다는 추산을 소개한다. 학생들의 요구에 생활비 상승과 공공서비스 악화를 걱정하는 노동조합, 연금 개혁에 반대하는 흐름이 합류하면서 시위의 의제도 넓어졌다는 설명이다. 이 요구들에 답하려면 무엇을 더 쓰고 어떤 부담을 조정할지 함께 정해야 한다. 재정의 현재 규모는 공식 통계로 잡는 편이 정확하다. 영상은 올해 부채 비율을 약 115%, 내년을 약 120%로 설명하지만, 2026년 9월 29일 발표된 [INSEE 통계](https://www.insee.fr/en/statistiques/9057140)에서 **2026년 2분기 말 일반정부 총부채는 이미 GDP의 119.0%, 3조 5,955억 유로**다. 중앙정부와 지방정부, 사회보장 부문을 포함하고 내부 채무는 제거한 마스트리히트 기준이다. ![프랑스 일반정부 부채 비율의 분기별 변화](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/5cfb3afd-f9aa-42be-9099-537122c5979c.webp) *2024년 4분기부터 2026년 2분기까지의 실적. 같은 INSEE 발표의 수정 계열로 직접 그렸다. [원자료](https://www.insee.fr/en/statistiques/9057140).* 빚이 많을 때 금리가 오르면 예산은 차환을 통해 압박받는다. 만기가 돌아온 국채를 갚기 위해 새 국채를 발행하고, 기존보다 높은 금리로 빌릴수록 이자 비용이 늘어난다. 기존 고정금리 국채의 이자가 한날한시에 바뀌는 것은 아니므로 충격은 만기를 따라 누적된다. 그동안 새로 발생하는 재정적자까지 조달해야 한다. [AFT의 2027년 예산안 안내](https://www.aft.gouv.fr/en/state-budget)는 국가채무 이자 비용을 2026년 수정 추정 626억 유로에서 2027년 729억 유로로 제시한다. 2027년 전체 국가 조달 필요는 3,397억 유로이며, 이 가운데 전년보다 늘어난 중장기 채무 상환 필요만 194억 유로다. 앞으로 부담해야 할 비용이 커지는 경로가 보인다. 이는 국가 예산의 추정과 계획이며 일반정부 부채 통계와 범위가 다르다. 영상의 ‘10년물 금리 약 5%’는 당시 시장 상황에 대한 설명으로 읽어야 한다. AFT가 제시하는 2026년 연초 이후 중장기 신규 발행의 가중평균수익률 3.55%는 발행 시점과 만기를 묶은 다른 지표다. 이 글의 판단에 직접 필요한 것은 일중 금리 숫자 하나보다 만기 상환과 이자 지출이 예산에 들어오는 속도다. 지출 항목마다 이해관계가 걸려 있다. 연금과 복지 급여는 수급자의 생활에 연결되고, 공무원 급여는 학교와 병원, 행정서비스를 운영하는 비용이다. 국채 이자는 계약에 따른 지급이다. 영상은 사회보장 급여와 국채 이자를 더하면 약 49%, 공무원 인건비까지 포함하면 약 70%라고 설명한다. 이 비중은 영상의 설명값이다. 실제 조정에서는 각 항목의 규모와 함께, 줄였을 때 누가 어떤 비용을 떠안을지도 따져야 한다. ![연금과 복지, 공공부문 인건비, 국채 이자의 성격을 설명한 화면](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/d7df08b7-9aed-4271-bfb6-626e13e95d08.webp) *지출을 줄일 때 각기 다른 생활과 서비스의 비용이 발생한다. [압권, 12:01](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=721s)* 교육 예산을 늘린다는 데 동의해도 합의는 끝나지 않는다. 교원을 더 확보할 재원을 해마다 유지할지, 어느 학교의 시설부터 보수할지, 다른 지출을 옮길지 세금을 더 걷을지를 결정해야 한다. 시설 보수와 교원 배치는 학생이 지금 받는 수업을 위한 지출이면서 앞으로 일할 사람을 기르는 투자다. 그래서 예산 협상에서는 당장 줄일 수 있는 금액뿐 아니라, 그 선택이 몇 년 뒤의 교육과 성장에 남길 영향까지 비교해야 한다. ## 정부를 무너뜨리는 다수와 예산을 만드는 다수 프랑스 의회는 좌파 연합, 마크롱을 중심으로 한 중도 진영, 국민연합을 중심으로 한 극우 진영으로 갈라져 있다. 영상이 제시하는 핵심은 한 진영이 혼자 예산을 통과시킬 과반을 갖고 있지 않다는 점이다. 여기서 정부안에 반대하는 표를 모으는 일과 서로 다른 이해관계를 조정해 대안을 만드는 일의 난도가 갈린다. ![과반 없는 의회의 세 진영과 우선순위를 비교한 화면](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/890038f2-71a7-4b76-964f-f3fb35baf021.webp) *복지와 재분배, 재정 개혁, 자국민 우선이라는 서로 다른 강조점. [압권, 13:16](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=796s)* 두 번의 내각 붕괴는 구분해서 볼 필요가 있다. | 사건 | 실제 절차와 결과 | 재정 논의에 남긴 문제 | | -------------------- | ----------------------------------------------------------- | ----------------------------- | | 2024년 12월 4일 바르니에 내각 | 사회보장 예산에 헌법 49조 3항을 사용한 뒤, 좌파가 제출한 불신임안에 국민연합이 가세해 331표로 가결 | 정부를 끌어내리는 데는 의견이 모였다 | | 2025년 9월 8일 바이루 내각 | 헌법 49조 1항에 따른 정부 정책 선언의 신임투표에서 찬성 194표, 반대 364표 | 정부가 제시한 재정 방향을 지지할 다수를 얻지 못했다 | 바르니에의 경우는 1962년 이후 처음으로 성공한 정부 불신임이었다. 바이루는 자신이 요청한 신임을 얻지 못했다. 두 사건을 모두 같은 형태의 불신임투표로 설명하면 제도적 차이가 사라진다. [프랑스 의회 방송 LCP의 바르니에 보도](https://lcp.fr/actualites/le-gouvernement-de-michel-barnier-censure-au-terme-d-une-journee-historique-a-l), [국민의회의 바이루 투표 결과](https://www.assemblee-nationale.fr/dyn/actualites-accueil-hub/vote-de-confiance-l-assemblee-nationale-a-desapprouve-la-declaration-de-politique-generale-du-gouvernement). 연금 개혁은 같은 갈등을 생활의 문제로 드러낸다. 일을 더 오래 하거나, 급여를 조정하거나, 보험료와 세금 부담을 늘려야 한다면 누군가는 지금 받는 조건을 바꿔야 한다. 개혁에 반대하는 쪽에는 은퇴 계획을 지키려는 이유가 있고, 추진하는 쪽에는 고령화 속에서 제도를 유지할 재원을 마련해야 하는 이유가 있다. 합의는 이 두 요구 사이에서 부담을 배분하는 과정이다. 2023년 개혁의 법정 수급 개시 연령과 가입기간 인상은 이후 유예됐다. [프랑스 정부의 2026년 적용 안내](https://www.service-public.gouv.fr/particuliers/actualites/A18825)에 따르면 9월 1일부터 적용되는 연령은 1964년생의 62세 9개월부터 1968년생의 63세 9개월까지 출생연도에 따라 다르고, 64세 기준은 1969년생부터다. 영상에서 말하는 ‘62세에서 64세로’는 개혁 방향의 설명이며 실제 적용은 세대별로 나뉜다. 이 과정에서 정부는 연금을 조정하기 위해 정치적 자원을 쓰고, 야당은 그 조정을 막으며 지지를 얻는다. 다음 예산에서도 비슷한 거래를 처음부터 다시 해야 한다면 중장기 계획의 신뢰는 약해진다. 프랑스에 필요한 다수는 정부를 반대하는 데서 그치지 않고, 앞으로 몇 년 동안 누가 어떤 부담을 질 것인지까지 정할 수 있는 다수다. ## 모두 재정을 말하지만, 부담을 지울 대상이 다르다 급진좌파 LFI가 강조하는 것은 복지 축소에 앞선 부유층과 기업의 부담이다. 영상은 멜랑숑의 중앙은행 보유 국채 취소 구상, 최저임금 인상, 연금 개시 연령 60세로의 환원, 사회보장 확대를 소개한다. 정부가 지출을 줄이자고 할 때 좌파는 누가 먼저 부담할 것인지 묻는다. 긴축의 총액뿐 아니라 분배 방식에 대한 충돌이다. ![LFI의 부채 조정, 복지 강화, 공공투자 확대 구상을 정리한 영상](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/af060ec2-1771-4cc2-bf2c-fb054e446923.webp) *영상이 정리한 급진좌파의 우선순위. [압권, 17:10](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1030s)* 중앙은행이 가진 국채를 없애자는 제안은 특히 따져 볼 부분이다. 정부 쪽 채무를 줄이는 동시에 중앙은행 쪽 자산도 없어지기 때문이다. 프랑스 중앙은행 총재는 [2026년 9월 11일 인터뷰](https://www.banque-france.fr/fr/interventions-gouverneur/rtl-lannulation-de-la-dette-est-illegale-dangereuse-et-inutile)에서 당시 6월 말 기준 약 4,880억 유로를 보유한다고 설명하며, 취소가 중앙은행에 같은 규모의 손실을 만들고 재정적자 자체를 줄이지 못한다고 비판했다. 이는 중앙은행 측의 반론이다. 해마다 수입보다 많이 쓰는 구조가 남으면 다음 해에도 조달은 필요하다. 국민연합은 지출 축소를 말하면서 외국인의 복지와 공공주택 혜택 제한, 프랑스 국민 우선, EU 분담금 축소를 내세운다. 영상의 화면에는 1,400억 유로 감축 구상이 표시된다. 이는 영상이 소개하는 정치적 구상의 규모다. 정부도 긴축을 말하고 국민연합도 긴축을 말하지만, 줄일 항목과 보전할 혜택이 다르므로 총론의 일치가 예산 합의로 이어지지 않는다. ![국민연합의 지출 감축 구상과 자국민 우선 항목을 표시한 화면](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/27d196de-704b-427a-b87f-642f62318200.webp) *화면에 제시된 1,400억 유로는 국민연합의 감축 구상이며 확정된 절감 실적이 아니다. [압권, 18:24](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1104s)* 영상은 2027년 예산 심의에서도 이 차이가 드러난다고 설명한다. 급진좌파 쪽은 부유층과 대기업의 고통 분담이 없는 정부안은 심의할 수 없다는 태도를 보이고, 국민연합은 심의에는 참여하되 세부 항목을 바꾸려 한다. 영상에 등장하는 수정 요구 3,878건은 이런 충돌을 보여주는 사례다. 수정안 숫자 자체보다 중요한 것은 감축과 증세의 부담을 어디에 배분할지 공통의 기준이 없다는 점이다. ![세 진영의 재정과 복지 우선순위를 비교한 화면](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/c21d9365-12d5-4728-ad58-4f6b821a9f36.webp) *같은 예산에서 서로 다른 항목을 지키려는 세 진영. [압권, 20:28](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1228s)* 2027년 대선을 앞둔 계산도 겹친다. 영상은 양극의 후보가 결선 진출을 기대할수록 중도 정부와 타협해 얻을 이익보다 지지층에 선명한 입장을 보이는 이익이 커진다고 해석한다. 타협하면 당장 자기 지지층에 설명해야 할 손실이 생기고, 거부하면 책임을 정부에 돌릴 수 있다. 국가 전체에는 조정이 필요해도 각 진영이 선택하는 행동은 조정을 늦추는 쪽으로 모일 수 있다는 것이다. 조정 방식은 합의만큼 중요하다. OECD는 [프랑스 재정 분석](https://oecdecoscope.blog/2026/09/30/frances-public-finances-reducing-debt-without-compromising-growth/)에서 성장에 미치는 손실이 작은 항목부터 조정하는 다년 계획을 제안한다. 경기와 고용을 급하게 약화시키면 세입과 GDP도 줄어 부채 비율 개선을 상쇄할 수 있기 때문이다. 재정을 고치려면 효과가 낮은 지출에서 재원을 옮기고, 교육과 연구처럼 미래의 생산성을 높이는 투자를 지켜야 한다. ## 이민 논쟁으로 옮겨 가면 교육 문제는 남는다 영상은 프랑스 사태를 바라보는 미국의 정치적 해석도 따로 다룬다. 트럼프와 밴스가 혼란을 이민과 다문화 정책의 실패로 연결하는 반응을 소개하고, 발표자는 이를 미국 중간선거에서 자국 지지층을 결집하려는 메시지로 읽는다. 이 해석은 영상의 논평이다. ![트럼프와 밴스의 시각을 비교한 영상의 설명](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/424ae12a-b01a-4561-8409-332ded7a5f78.webp) *프랑스 시위를 이민 정책과 연결하는 미국 우파의 시각을 소개한 화면. [압권, 22:10](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1330s)* 여기서 영상이 되짚는 것은 시위가 출발한 요구다. 학생들은 교사와 시설, 진학 기회의 문제를 제기했고, 그 요구에 다른 생활상의 불만이 합쳐졌다. 폭력 행위를 제지하는 일과 공교육에 대한 요구에 답하는 일은 각각 필요하다. 이민을 둘러싼 정체성 논쟁만 크게 만들면 학교에 교사를 어떻게 채울 것인지, 그 비용을 어느 예산에서 낼 것인지라는 질문은 그대로 남는다. 영상은 유럽 정치의 변화를 일괄적인 우경화나 좌경화보다는 기존 정치에 대한 불만과 혼란으로 읽는다. 이 글에서 중요한 것도 특정 진영의 승패 예측보다 그 불만을 예산의 선택으로 바꿀 수 있느냐다. 정권 교체를 약속하는 것과 교체 후 실행할 재정 계획에 합의하는 것은 서로 다른 과제다. ## 자동차 산업 이야기가 여기서 나오는 이유 예산 합의는 필요하지만, 장기적인 해법에는 소득과 세입을 만드는 산업이 들어가야 한다. 고령화로 일하는 인구의 부담이 커진다면 생산성을 높이거나 더 높은 부가가치를 만드는 일자리가 늘어야 한다. 그래야 같은 복지 수준을 지탱할 수 있는 경제의 크기도 커진다. ![고령화와 제조업 기반 약화, 국가부채를 함께 설명한 화면](https://www.readiz.com/assets/authored/33cd23ef-d86c-45a6-aab6-662528214744/9fb2bb05-b6ea-4649-b680-10ddc53b7b41.webp) *인구와 산업, 재정의 문제가 겹치는 구조. [압권, 25:10](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1510s)* 영상 후반부에서 발표자가 특히 걱정하는 산업은 자동차다. 유럽에는 완성차 공장뿐 아니라 부품업체와 지역 고용이 넓게 연결돼 있다. 브랜드의 판매가 부진하면 협력업체의 주문, 근로자의 소득, 지역 소비와 세입까지 영향을 받는다. 공공서비스를 유지할 재원이 줄어드는 동시에 실업과 산업 전환을 지원할 재정 수요가 늘 수 있다. 발표자는 파리 모터쇼를 다녀온 기자의 평가를 인용해, 일부 유럽 브랜드가 중국 플랫폼에 의존하는 흐름을 우려한다. 여기서 따질 것은 전기차와 소프트웨어로 경쟁의 중심이 바뀔 때 유럽에 남는 기술과 생산, 일자리의 몫이다. [유럽연합 집행위원회의 자동차 산업 안내](https://commission.europa.eu/topics/business-and-industry/boosting-european-car-sector_en)는 이 산업이 직간접 고용 약 1,300만 명과 EU GDP의 약 7%에 연결돼 있다고 설명한다. 2025년 행동계획은 차량 소프트웨어와 디지털화, 배터리 공급망, 노동자의 재교육을 함께 다룬다. 미래 기술을 확보하는 일과 기존 지역 고용의 전환을 지원하는 일을 한 묶음으로 보는 이유다. 프랑스에도 항공과 방산 같은 강점은 남아 있다. 앞서 본 프랑스 중앙은행 인터뷰 역시 산업의 강점을 강조한다. 그러므로 현실적인 선택은 남은 기반에 투자를 집중하고, 그 투자의 재원을 마련할 지출 조정을 연결하는 것이다. 모든 이해관계자가 자기 몫의 축소를 거부하면 산업을 키울 자원도 마련하기 어렵다. 이것이 영상이 산업 이야기 끝에 다시 사회적 합의로 돌아오는 이유다. ## 여유가 있을 때 미래의 수입을 만들어야 한다 영상의 한국 비교는 [28:35 이후](https://www.youtube.com/watch?v=cvTypG6DeW0\&t=1715s)에 나온다. 발표자는 반도체와 조선, 방산, 원전, 전력기기, 화장품 등을 들며 한국에는 아직 산업 경쟁력과 투자할 여지가 있다고 평가한다. 프랑스처럼 성장 기반과 재정 여력이 동시에 약해지기 전에 그 시간을 써야 한다는 주장이다. 예산의 고정비를 줄이는 일이 어렵다는 지적에도 이유가 있다. 연구개발 예산을 줄이면 실험기구 구입만 줄어드는 것이 아니라 연구자의 고용과 연구의 연속성에도 영향이 간다. 교육과 의료 역시 인건비를 줄이는 일이 서비스의 공급 능력을 줄이는 일로 이어진다. 낭비를 없애자는 구호만으로 실제 조정의 비용과 저항이 사라지지는 않는다. 그래서 재정 여력이 있을 때 하는 선택이 중요하다. 산업의 경쟁력을 높이고 인력을 키우는 투자는 시간이 걸린다. 세입이 줄고 이자가 늘어 당장 지출을 깎아야 하는 상황이 된 뒤에는 그 시간을 확보하기가 훨씬 어렵다. 이미 강한 산업을 지키면서 다음 생산성을 만드는 곳에 투자하고, 지속할 재원 없이 고정 지출만 늘리는 선택은 줄여야 한다. 학교에 필요한 교사와 시설을 갖추려면 지출 항목 하나의 증액을 넘어 그 재원을 지속할 합의가 필요하다. 연금과 복지의 부담을 어떻게 나누고, 교육과 산업에 투자해 앞으로의 소득을 어떻게 키울지까지 연결돼 있기 때문이다. **프랑스의 과제는 서로 다른 요구 가운데 지킬 것과 조정할 것을 정하고, 그 선택을 실행할 예산을 만드는 것이다.** 한국도 산업과 재정에 여지가 남아 있을 때 전환의 비용을 나누고 미래의 생산성을 높이는 투자를 이어가야 한다. --- --- id: "authored/4a4ce7e0-b641-4a6b-af94-e1e033781a53" title: "프랑스 교육 격차와 대입: PISA와 Parcoursup 자료 읽기" description: "PISA 2022의 사회경제적 배경별 성취 격차와 Parcoursup 지원서 심사 주체, 학교 여건과 진학 기회를 연결할 때의 해석 범위를 정리한다." kind: "llm-wiki" published: "2026-10-20T22:10:10.114Z" tags: ["프랑스","교육","PISA","Parcoursup"] url: "https://www.readiz.com/llm-wiki/france-education-pisa-parcoursup-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/france-education-pisa-parcoursup-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/교육·지역" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B5%90%EC%9C%A1%C2%B7%EC%A7%80%EC%97%AD" --- # 프랑스 교육 격차와 대입: PISA와 Parcoursup 자료 읽기 프랑스의 교육 격차를 읽을 때는 학교 현장의 사례, 학생의 학업 성취 통계, 대학 진학 절차를 구분한다. 각각 보여 주는 대상과 시점이 다르다. ## 학업 성취의 격차: OECD PISA 2022 [OECD의 PISA 2022 프랑스 국가 보고서](https://www.oecd.org/en/publications/pisa-2022-results-volume-i-and-ii-country-notes_ed6fbcc5-en/france_8008535b-en.html)는 2022년 평가에 참여한 15세 학생을 대상으로 한다. 2023년 발표 자료다. 각국 내부의 사회경제적 지위 상위 25%와 하위 25% 사이 수학 점수 차이는 프랑스 113점, OECD 평균 93점이다. 지위는 부모의 교육과 직업, 가정 자원을 반영하는 ESCS 지표로 측정한다. 소득 상하위 25%와 같은 집계가 아니며 점수 차이를 백분율로 쓰지 않는다. ![프랑스와 OECD 평균의 사회경제적 배경별 수학 점수 격차](https://www.readiz.com/assets/authored/4a4ce7e0-b641-4a6b-af94-e1e033781a53/2b12a97e-3e9e-462f-99ef-fa1bdbb25400.webp) *국가 내 ESCS 상하위 25%의 수학 점수 차이. OECD PISA 2022 수치로 직접 작성. [원문](https://www.oecd.org/en/publications/pisa-2022-results-volume-i-and-ii-country-notes_ed6fbcc5-en/france_8008535b-en.html).* 이 비교는 교육 기회의 불평등을 논의할 때 배경 자료로 쓸 수 있다. 특정 학교의 교사 공석이나 2026년 시위의 원인과 효과를 측정한 값은 아니다. 지역별 여건을 판단하려면 해당 지역의 교원 배치와 수업 공백 자료를 추가해야 한다. ## 지원 절차: Parcoursup 프랑스 정부의 [지원서 심사 FAQ](https://www.parcoursup.gouv.fr/faq/thematiques/fonctionnement-de-parcoursup/examen-des-voeux-par-les-formations)는 대학 진학 지원 때 전달되는 자료와 심사 주체를 설명한다. 2026년 10월 21일 확인했다. | 항목 | 공식 안내의 의미 | | ----------- | -------------------------------------- | | 성적표 | Première와 Terminale의 성적, 교사 평가 등을 포함한다 | | 바칼로레아 관련 성적 | 프랑스어 선행 시험과 해당되는 내신 평가 등을 포함한다 | | 활동과 관심사 | 지원자가 해당 항목을 작성했을 때 전달된다 | | 추가 자료 | 일부 과정에서 지원 동기서나 별도 자료를 요구한다 | | 학교 자료 | 고교가 작성한 fiche avenir 등이 전달된다 | | 심사 주체 | 각 교육과정이 자체 위원회와 공개 기준으로 지원서를 검토한다 | Parcoursup은 지원을 모으고 결과를 전달하는 플랫폼이다. 전국 지원자를 하나의 중앙 위원회가 일괄 심사한다고 설명하면 부정확하다. 평가 요소와 반영 방식은 지원 과정별 안내와 이전 연도 심사 보고서에서 확인한다. 모든 활동이나 자기소개서가 모든 과정에 같은 비중으로 반영된다고 가정하지 않는다. ## 학교 여건과 진학 기회의 연결 성적뿐 아니라 교사 평가와 학교의 진학 지원 자료가 쓰인다면, 수업의 연속성과 상담 여건은 지원 준비를 이해하는 데 중요하다. 이는 제도에서 도출되는 설명이며, 특정 입시 제도가 격차를 얼마나 키웠는지에 대한 인과 추정은 별도 연구가 필요하다. 시설 노후나 교사 부족에 대한 보도 사례는 학교명, 지역, 촬영 시점과 조사 범위를 붙여 사용한다. 학생 수, 교원 수, 결원율과 미실시 수업 비율은 서로 분모가 다르다. 영상의 원화 환산 비용이나 출처가 생략된 전국 비율을 PISA의 공식 통계와 합치지 않는다. 재원과 제도는 [프랑스 재정 자료](https://www.readiz.com/llm-wiki/france-fiscal-debt-insee-aft-source-guide/), [연금 적용 연령 자료](https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/)에서 이어 확인할 수 있다. 한국의 지역 교육 문제는 [입시와 지역 집중 자료](https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/)에 별도로 정리돼 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63" title: "국민소득이 오르면 삶에서 무엇이 달라질까" description: "식량과 이동수단에서 가전, 자동차, 여행, 주거와 돌봄까지. 여덟 소득 구간과 한국의 경험을 통해 경제성장이 생활의 선택지를 넓히는 과정을 살펴본다." kind: "record" published: "2026-10-18T10:43:02.852Z" tags: ["경제","국민소득","소비"] url: "https://www.readiz.com/records/national-income-living-standards-eight-stages/" markdownUrl: "https://www.readiz.com/records/national-income-living-standards-eight-stages/index.md" recordFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 국민소득이 오르면 삶에서 무엇이 달라질까 국민소득이 오른다는 것은 살 수 있는 물건이 많아진다는 뜻이다. 그런데 생활을 바꾸는 건 물건의 개수보다 그 물건이 없애 주는 제약에 가깝다. 먹을 것이 충분해지면 내일을 계획할 수 있고, 자전거가 생기면 더 먼 곳에서 일할 수 있다. 냉장고와 세탁기는 하루의 시간을 바꾸고, 자동차는 도시의 모양을 바꾼다. 그다음에는 휴가와 건강, 돌봄처럼 돈과 시간을 함께 써야 하는 문제가 커진다. **경제성장은 사람의 선택지를 늘린다. 그리고 선택지가 늘어날수록, 더 나은 생활을 위해 해결해야 할 문제도 달라진다.** 한국이 겪은 변화와 지금 다른 나라에서 일어나는 변화를 함께 보면 이 과정이 꽤 선명하게 보인다. 지식 브런치의 영상은 1인당 국민소득을 여덟 구간으로 나누어 그 흐름을 설명한다. 식량과 이동수단에서 가전과 자동차, 여행과 돌봄으로 이어지는 변화에 한국의 성장 경험을 겹쳐 보면, 소득이 생활을 바꾸는 과정을 구체적으로 볼 수 있다. [YouTube: 1,000달러에서 5만 달러까지, 국민소득이 높아지면 무엇이 달라지나?](https://www.youtube.com/watch?v=TvzAo4MQZ_I) ## 국가의 소득을 생활의 변화로 읽는 법 영상이 사용하는 지표는 세계은행의 **1인당 GNI**, 즉 국민총소득을 인구로 나눈 값이다. 국내에서 생산한 부가가치를 보는 GDP에 해외와 주고받은 순본원소득을 반영하면 GNI가 된다. 어느 나라 안에서 생산했는지에 더해, 그 소득이 어느 경제의 거주자에게 돌아가는지도 보는 것이다. 여기서 거주자는 국적과 같은 개념이 아니다. 국가 간 소득 분류에 쓰는 세계은행의 Atlas 방식은 당해 연도와 이전 2년의 환율에 물가 차이를 조정해 환율의 단기 변동을 완화한다. 그래서 같은 한국의 국민소득이라도 단순한 당해 연도 환율 환산치와 값이 달라질 수 있다. [세계은행 GNI 설명](https://datahelpdesk.worldbank.org/knowledgebase/articles/378831-why-use-gni-per-capita-to-classify-economies-into), [Atlas 방법론](https://datahelpdesk.worldbank.org/knowledgebase/articles/378832-what-is-gross-national-income-gni) 1인당 GNI는 가계 밖의 소득까지 합산한 국가 전체의 평균이다. 국가의 소득 수준과 소비 기반을 비교하는 출발점으로 쓸 수 있고, 가계의 생활 여력을 설명할 때는 소득 분배와 세금, 생활비를 함께 살펴야 한다. 아래의 여덟 구간은 소비와 생활의 변화를 설명하기 위해 영상이 정한 구분이다. 세계은행의 공식 국가 분류는 네 소득군을 사용한다. 2027 회계연도 분류는 2025년 Atlas GNI를 기준으로 저소득 1,175달러 이하, 하위 중소득 1,176–4,635달러, 상위 중소득 4,636–14,375달러, 고소득 14,375달러 초과로 나눈다. [세계은행 국가 소득 분류](https://datahelpdesk.worldbank.org/knowledgebase/articles/906519-world-bank-country-and-lending-groups) | 영상의 1인당 GNI 구간 | 생활에서 커지는 변화 | 영상이 든 국가 사례 | | -------------- | ---------------------- | ------------------- | | 1,000달러 미만 | 식량과 물, 전기, 위기 대응 능력 | 부룬디, 말라위, 아프가니스탄 | | 1,000–2,000달러 | 음식의 맛, 이동 범위, 외부 정보 | 나이지리아, 파키스탄, 탄자니아 | | 2,000–5,000달러 | 육류와 가공식품, 오토바이, 플랫폼 | 인도, 방글라데시, 필리핀, 베트남 | | 5,000–1만 달러 | 가전의 보급, 가사 시간 절약, 자가용 | 인도네시아, 태국, 남아프리카공화국 | | 1만–2만 달러 | 자동차 대중화, 교외 주거, 서비스 소비 | 중국, 브라질, 멕시코, 말레이시아 | | 2만–3만 달러 | 여행과 취미, 경험에 대한 지출 | 폴란드, 포르투갈, 헝가리 | | 3만–5만 달러 | 주거와 교육, 노후, 상대적 비교 | 한국, 일본, 이탈리아, 스페인 | | 5만 달러 이상 | 시간, 환경, 의료와 돌봄의 질 | 미국, 독일, 스위스, 노르웨이 | 표의 국가 사례는 영상의 분류에 따른다. 생활이 바뀌는 순서와 속도는 전기와 도로, 상품 가격, 기술 보급, 소득 분배에 따라 달라진다. 한국의 과거와 오늘날 다른 나라를 비교할 때는 각 시기의 명목 달러 소득에 물가와 기술 여건을 함께 놓고 읽어야 한다. ## 1,000달러 미만: 가난은 위기를 버틸 여력이 없다는 것 영상의 첫 구간에서 가장 중요한 설명은 낮은 소비보다 **충격을 흡수할 수 없는 생활**이다. 물을 길으러 몇 km씩 이동해야 하면 그 시간만큼 공부하거나 일하기 어렵다. 전기가 불안정하면 밤의 활동과 음식 보관이 제한된다. 병원이 멀고 교통수단이 없으면 진료 시설이 존재해도 이용하기 어렵다. ![물을 길으러 이동하는 모습을 보여주는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/e0aa63a3-3bbd-4263-bad1-b20fcecf89f0.webp) *물에 접근하는 데 드는 시간 자체가 생활의 제약이 되는 사례. [지식 브런치, 1:56](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=116s)* 식량에서는 이런 취약성이 더 직접적으로 드러난다. 농업에 크게 의존하는 지역에 가뭄이나 홍수가 닥치면 생산이 줄어든다. 비축 식량과 저축, 외부에서 식량을 살 돈, 운송망이 충분하면 충격을 나눠 견딜 수 있다. 그 여유가 없으면 흉작과 가격 상승이 곧 식사량 감소로 이어진다. 영상은 1990년대 북한의 고난의 행군을 사례로 든다. 외부 지원의 중단과 농업 투입재 부족, 홍수와 배급 체계의 붕괴가 겹쳐 식량 위기가 커졌다는 설명이다. WFP도 북한의 식량 문제를 설명할 때 농업 장비와 비료 부족, 반복되는 재해, 낮은 대응 능력을 함께 짚으며 1995년부터 식량 지원을 해 왔다고 밝힌다. 위기의 크기는 소득 숫자 하나보다 생산과 조달, 분배가 함께 버티는지에 달려 있다. [WFP 북한 자료](https://www.wfp.org/countries/democratic-peoples-republic-korea) ![고난의 행군을 사례로 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/cf5c368b-cef2-4e93-ae74-5913010b3640.webp) *식량 충격과 대응 능력의 관계를 설명하며 제시한 북한 사례. [지식 브런치, 3:10](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=190s)* 오늘 먹을 것을 구하는 데 하루가 소진되면 자녀 교육, 집수리, 새로운 기술을 배우는 일은 계속 뒤로 밀린다. 빈곤은 현재의 소비를 줄이는 동시에 미래에 투자할 능력도 갉아먹는다. 이 구간에서 식량과 기본 인프라의 개선이 갖는 의미가 큰 이유다. 사람들이 겪는 빈곤의 규모를 측정할 때 세계은행은 2021년 구매력평가 기준 하루 3달러라는 국제 극빈선을 사용한다. 국가의 소득 수준을 보여 주는 GNI에 개인의 소비 여력을 측정하는 빈곤 지표를 함께 놓으면, 성장의 성과가 얼마나 많은 사람의 생활로 이어졌는지 살펴볼 수 있다. [세계은행 빈곤선 개편 설명](https://www.worldbank.org/en/news/factsheet/2025/06/05/june-2025-update-to-global-poverty-lines) ## 1,000–2,000달러: 이동과 정보가 기회를 넓힌다 먹을 것이 조금씩 안정되면 식탁에서는 양뿐 아니라 맛을 고르기 시작한다. 식용유와 설탕, 조미료를 더하고 같은 재료도 다르게 조리한다. 매일 고기를 먹을 형편이 되기 전에도 음식에서 얻는 즐거움은 늘어날 수 있다. 영상은 이 단계의 변화를 자전거와 TV로 설명한다. 자전거는 여가용 물건에 그치지 않는다. 걸어서 갈 수 있는 거리 밖의 시장에 농산물을 운반하고, 다른 마을의 일자리에 접근하게 해 준다. 소형 오토바이를 마련하면 사람이나 물건을 실어 나르는 일도 가능해진다. 이동수단을 산 지출이 다시 소득을 얻을 기회로 연결되는 셈이다. TV의 효과는 다른 방향이다. 다른 지역의 집과 음식, 직업과 상품을 보여 주면서 사람들이 생각하는 생활의 범위를 넓힌다. 지금은 저렴한 스마트폰이 그 역할을 먼저 맡기도 한다. TV와 스마트폰은 이전까지 알 수 없었던 선택지를 보여 주고, 그 선택지에 접근할 방법을 찾게 한다. ![TV 주변에 모인 사람들을 보여주는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/69c96a30-68ba-458c-8669-4f69d8c01d84.webp) *다른 지역의 생활과 상품을 접하게 하는 TV의 역할. [지식 브런치, 7:09](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=429s)* 한국의 사례로 영상이 연결하는 시기는 1970년대 후반에서 1980년 무렵이다. 통일벼와 식량 사정의 개선, 마을길과 주거환경의 변화, 전기와 흑백 TV의 보급을 함께 다룬다. 도로와 전기가 들어온 상태에서 이동수단과 가전을 쓸 수 있어야 생활이 바뀐다. 가계의 구매력과 사회의 기반시설은 이렇게 맞물린다. ## 2,000–5,000달러: 달라진 식탁이 산업을 키운다 이제는 먹을 양을 확보하는 데서 음식의 종류를 고르는 쪽으로 소비가 확장된다. 영상이 강조하는 것은 육류, 가공식품, 외식이다. 고기를 더 자주 먹게 되면 축산업뿐 아니라 사료와 운송, 보관 수요도 커진다. 라면과 과자 같은 가공식품의 소비는 공장과 포장, 유통을 키우고, 음식점은 조리와 서비스 일자리를 만든다. ![다양한 음식을 판매하는 시장의 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/5f9186ae-7ce8-4228-b24b-414da507d458.webp) *식품 선택과 외식 소비가 넓어지는 구간. [지식 브런치, 9:56](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=596s)* 소득이 늘면 **식비로 쓰는 돈이 늘어도 전체 지출에서 차지하는 비중은 낮아질 수 있다.** 엥겔의 법칙이 설명하는 변화다. 배를 채우는 데 필요한 소비가 어느 정도 확보되면 추가 소득을 주거, 교통, 교육, 여가 등 다른 곳에 쓸 여지가 커진다. [USDA의 엥겔의 법칙 설명](https://www.ers.usda.gov/amber-waves/2016/september/percent-of-income-spent-on-food-falls-as-income-rises) ![2022년 국가별 1인당 소비지출과 식품 소비 비중의 관계를 보여주는 USDA 도표](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/77d9bf33-ada7-4025-8525-76739ad65975.webp) *2022년 국가별 비교. 가로축은 1인당 전체 소비지출, 세로축은 전체 가계지출 중 식품 비중임. [USDA ERS 원본 도표](https://ers.usda.gov/data-products/charts-of-note/107494), Euromonitor 자료에 기초한 계산.* 도표에서 나이지리아와 방글라데시 같은 나라에서는 식품이 지출의 절반 이상을 차지한다. 미국 등 소비지출 수준이 높은 나라에서는 그 비중이 훨씬 작다. 저소득 가계가 식품 가격 상승에 민감한 이유와, 소득 증가가 다른 산업의 수요로 이어지는 이유를 함께 보여 준다. 이동수단에서는 오토바이가 중요한 역할을 한다. 더 먼 공장으로 출퇴근하고 배달과 운송을 할 수 있다. 여기에 스마트폰, 지도, 모바일 결제가 결합하면 이동수단이 플랫폼의 일거리와 연결된다. 영상은 동남아의 Grab과 Gojek, 인도의 Swiggy를 사례로 든다. ![오토바이와 플랫폼 서비스를 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/841c5907-1af0-4778-bd6f-6c91f72e5ee9.webp) *이동수단에 스마트폰과 플랫폼이 결합하는 사례를 설명하는 장면. [지식 브런치, 10:28](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=628s)* 지금의 신흥국에서는 과거 한국에 없던 통신망과 결제 기술이 소비의 순서도 바꾼다. 가전과 자동차를 모두 갖추기 전에 스마트폰으로 일을 구하고 서비스를 소비할 수 있다. 같은 소득 수준에서 이용할 수 있는 기술이 늘어난 것이다. 한국의 1980년대 사례에는 컬러 TV, 육류와 외식의 대중화, 가스레인지와 기름보일러, 아파트 생활, 서울올림픽이 등장한다. 소비가 커지는 동시에 생산과 유통, 주거의 방식도 함께 바뀌던 시기라는 연결이다. ## 5,000–1만 달러: 가전은 시간을 돌려준다 냉장고는 장보는 주기와 식품이 이동할 수 있는 거리를 바꾼다. 식재료를 보관할 수 있으면 매일 장을 볼 필요가 줄고, 며칠치 음식을 한꺼번에 살 수 있다. 가정의 냉장고가 늘어나는 과정은 냉장 운송과 저장시설, 신선식품을 파는 유통망의 확장과 맞물린다. 음식의 생산지와 소비지가 더 넓게 연결될 수 있는 것이다. ![식품 보관과 장보기의 변화를 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/db88b1a7-aedf-45d6-89a4-8e134be712f2.webp) *냉장고 보급이 장보기와 식품 유통에 미치는 변화를 설명하는 구간. [지식 브런치, 12:22](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=742s)* 세탁기는 반복되는 가사노동에 들어가는 체력과 시간을 줄인다. 영상은 특히 집안일을 맡던 여성들이 경제활동에 나설 시간적 여유를 얻었다는 점을 강조한다. 절약된 시간은 유급 노동뿐 아니라 공부, 돌봄, 휴식에도 쓸 수 있다. 물건을 한 대 더 소유하는 것이 하루의 배분을 바꾸는 변화로 이어진다. ![세탁기와 가사노동의 관계를 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/8fd0abd5-3178-4ced-a056-0dbaefeb94a5.webp) *시간과 체력을 요구하던 빨래를 기계가 대신하는 변화. [지식 브런치, 13:16](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=796s)* 이 변화는 가전과 기반시설이 함께 보급될 때 생활에 자리 잡는다. 안정적인 전기와 수도, 구매비와 유지비가 뒷받침되면 가사 시간을 꾸준히 줄일 수 있다. 여기에 일자리와 교육, 돌봄 여건이 갖춰질수록 절약한 시간을 경제활동에 쓸 기회도 넓어진다. 한국에서는 영상이 1980년대 말부터 1990년대 초반을 이 구간에 연결한다. 냉장고와 세탁기가 보편화되고 현대 엑셀과 기아 프라이드 같은 소형차를 마련하려는 가정이 늘어났다. 1989년 해외여행 자유화와 신도시 건설도 함께 등장한다. 집 안에서는 기계가 노동을 덜고, 집 밖에서는 이동 가능 범위가 넓어지기 시작한 것이다. ![현대 엑셀을 보여주는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/de4a8391-bfee-4053-be01-7ac0b96358df.webp) *한국의 자가용 보급을 설명하며 등장한 현대 엑셀. [지식 브런치, 14:40](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=880s)* ## 1만–2만 달러: 자동차가 주거와 상권을 바꾼다 자동차가 일부 부유층의 물건에서 중산층의 생활수단으로 퍼지면 이동 한 번의 편의를 넘어 공간의 사용법이 바뀐다. 직장 바로 근처에 살 필요가 줄고, 도시 외곽의 주거지를 선택할 수 있다. 사람과 상점이 그쪽으로 이동하면 도로와 주차장, 주유소 같은 시설의 수요도 따라 늘어난다. ![교외의 대규모 주거지를 보여주는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/0db73baf-d359-42e2-b7a4-3d45a8bc9c08.webp) *자동차 보급과 도시 외곽 주거지 확장을 연결하는 장면. [지식 브런치, 15:41](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=941s)* 장을 보는 방식도 달라진다. 차로 이동해 일주일치 생필품을 실어 올 수 있으면 넓은 주차장을 갖춘 대형마트의 이용이 쉬워진다. 주말에는 가족 단위로 야외와 놀이공원을 찾을 수 있다. 자동차, 도로, 주거, 유통, 여가가 서로의 수요를 키우는 구조다. 대중교통과 토지 이용 정책은 이렇게 넓어진 주거와 상권이 자리 잡는 모습을 좌우한다. 기본적인 내구재를 갖춘 가정이 늘면 추가 지출은 서비스로도 향한다. 자녀 교육, 영화, 외식, 가족 여가가 커지고 이를 제공하는 산업에서 일자리가 생긴다. 영상은 한국의 1990년대 중반부터 2000년대 중반을 이 과정과 연결한다. OECD 가입, 패밀리 레스토랑과 대형마트, 초고속 인터넷과 휴대전화의 보급이 한 흐름 안에 놓인다. 1997년 외환위기는 그 사이의 중요한 단절이다. 소비를 늘리는 성장과 함께 금융과 고용의 충격을 견디는 체계를 갖추는 일이 생활의 안정에 얼마나 중요한지 드러낸 경험이었다. ## 2만–3만 달러: 물건을 갖춘 뒤에는 경험을 산다 냉장고와 세탁기, TV와 자동차를 갖춘 가정에서 추가 소득의 쓰임은 또 달라진다. 이미 있는 물건을 계속 늘리는 것보다 여행과 공연, 스포츠, 취미에 쓰는 돈의 의미가 커진다. 경험은 물건처럼 집 안에 쌓이지 않지만, 자신이 원하는 방식으로 시간을 보냈다는 만족을 준다. 영상은 해외여행과 저비용 항공사를 대표 사례로 잡는다. 여행을 가고 싶은 수요가 있어도 항공료가 너무 높거나 휴가를 쓰기 어렵다면 실현되지 않는다. 소득의 증가에 낮아진 항공료와 여가 시간이 더해져야 여행이 반복 가능한 소비가 된다. 항공과 숙박, 음식점, 현지 교통의 수요도 함께 늘어난다. ![저비용 항공사와 여행 확대를 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/47c34543-29d6-4621-bbfa-10291630ed2e.webp) *항공료 하락이 여행의 접근성을 높이는 과정을 설명하는 구간. [지식 브런치, 18:04](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=1084s)* 한국의 사례로는 2000년대 중후반부터 2010년대 초반의 주 5일 근무제 확산, 저비용 항공사 등장, 스마트폰 보급이 연결된다. 스마트폰은 여행지를 찾고 가격을 비교하고 예약하는 비용을 낮췄다. 여행과 외식, 취미를 다른 사람에게 보여 주기도 쉬워지면서 경험 자체가 콘텐츠가 되었다. 돈만 많아진 것이 아니라 시간을 쓰는 조건과 정보를 얻는 방식이 함께 바뀐 것이다. ## 3만–5만 달러: 부족한 것이 집과 시간으로 이동한다 이 구간을 설명하는 영상의 핵심은 상대적 비교와 주거비, 교육비, 노후 불안이다. 과거 부의 상징이었던 가전과 자동차를 이미 갖춘 사회에서도 생활의 압박은 남아 있다. 비교적 쉽게 살 수 있는 물건과, 오래 준비해야 하는 주거와 노후의 차이가 커지기 때문이다. ![주거비와 교육비, 노후 부담을 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/ddcf5ba0-64b7-470d-8aab-91f5aa1a49f4.webp) *생필품을 갖춘 이후에도 남는 주거와 교육, 노후의 부담. [지식 브런치, 20:30](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=1230s)* 생필품의 구매 여건이 좋아졌다는 사실과 집을 마련하기 어렵다는 사실은 동시에 성립한다. 소득 평균이 오르는 것과 주거비를 내고 남는 돈이 늘어나는 것도 다르다. OECD의 『How’s Life? 2024』는 2022년 소득 하위 40% 가구 가운데 약 다섯 가구 중 한 가구가 가처분소득의 40% 넘게 주거비를 썼다고 설명한다. [OECD 주거비 분석, Figure 2.9](https://www.oecd.org/en/publications/how-s-life-2024_90ba854a-en/full-report/component-6.html) 영상은 이런 압박과 상대적 박탈감을 저출생, 고령화, 행복의 문제로 이어 간다. 이때 생활을 바꾸는 경로는 주거와 돌봄, 노동과 가족 형성의 조건에 있다. 소득이 늘어 선택의 폭이 커져도, 집을 마련하고 아이를 키우고 노후를 준비하는 데 필요한 시간과 비용은 제도와 시장의 영향을 함께 받는다. 행복에서도 추가 소득의 역할은 이어진다. 영상은 이스털린의 역설을 들어 성장과 행복의 관계를 질문한다. Killingsworth, Kahneman, Mellers의 2023년 공동 재분석에서는 미국의 가구소득과 일상적 정서적 행복 사이에 전반적으로 양의 관계가 나타났고, 일정 수준 뒤 정체되는 양상은 가장 불행한 집단에 집중됐다. 이 연구는 개인의 일상적 정서 경험을 다루며, 소득 증가의 효과가 행복 수준에 따라 어떻게 달라지는지 보여 준다. [PNAS 원 논문](https://pmc.ncbi.nlm.nih.gov/articles/PMC10013834/) 이 구간에서는 **추가 소득이 안정된 주거와 쓸 수 있는 시간으로 이어지는 경로가 중요해진다.** 평균소득과 함께 가처분소득, 주거비 부담, 노동시간을 봐야 생활이 얼마나 나아졌는지 설명할 수 있다. ## 5만 달러 이상: 개인이 살 수 있는 것과 사회가 제공해야 하는 것 마지막 구간에서 영상은 시간과 사회의 질을 강조한다. 생활에 필요한 물건을 충분히 갖춘 사람은 집안일을 맡기거나 이동을 줄이는 데 돈을 쓸 수 있다. 더 많은 일을 해서 돈을 버는 선택과, 일을 줄이고 가족이나 건강에 시간을 쓰는 선택 사이의 비중도 달라진다. 개인이 더 비싼 상품을 고르는 방식으로 해결하기 어려운 문제도 커진다. 한 사람이 돈을 많이 번다고 도시 전체의 공기를 깨끗하게 만들 수는 없다. 교통 혼잡, 질병과 실업의 위험, 나이가 들었을 때의 돌봄은 다른 사람과 공유하는 기반시설과 제도의 영향을 크게 받는다. ![의료와 돌봄 서비스를 설명하는 영상 장면](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/e29ad4f9-d00e-4b0b-81c0-d1ca5e7605c8.webp) *개인의 소비에서 의료와 돌봄, 사회적 안전망으로 확장되는 관심. [지식 브런치, 22:49](https://www.youtube.com/watch?v=TvzAo4MQZ_I\&t=1369s)* 그래서 부유한 사회의 생활수준을 비교할 때는 같은 달러 소득으로 무엇을 이용할 수 있는지까지 봐야 한다. 세계은행의 국제비교프로그램은 물가 차이를 반영하는 PPP와 함께 실제개별소비(AIC)를 제시한다. AIC에는 가계가 직접 산 소비뿐 아니라 정부 등이 제공해 개인에게 돌아가는 교육과 의료 같은 서비스도 포함된다. 개인이 직접 지불하는 돈만으로 생활수준을 판단할 때 놓치기 쉬운 부분이다. [세계은행 ICP의 1인당 지표 설명](https://www.worldbank.org/en/brief/2021/04/30/icp2021-dataviz-3) 높은 소득이 제공하는 자원을 노동시간과 건강, 환경, 돌봄의 개선에 어떻게 배분하느냐가 생활의 차이를 만든다. 같은 고소득 국가들 사이에서도 사람들이 누리는 일상이 다른 이유다. ## 한국이 올라온 길, 그리고 다음 변화 세계은행의 같은 Atlas GNI 시계열을 놓고 보면 한국은 1977년 980달러에서 2015년 30,130달러, 2025년 37,880달러로 올라왔다. 영상의 한국 사례를 읽을 때도 같은 지표의 같은 연도를 맞춰야 한다. 아래는 2026년 10월 8일 갱신된 세계은행 WDI 자료로 그린 그래프다. ![1970년부터 2025년까지 한국의 1인당 GNI Atlas 방식 시계열](https://www.readiz.com/assets/authored/cc9d9bbd-cefb-42ae-99da-f7dc5536ae63/1e685374-9941-498f-8656-c1e7b5878d04.webp) *한국, 1970–2025년, 1인당 명목 달러, Atlas 방식. [세계은행 NY.GNP.PCAP.CD](https://data.worldbank.org/indicator/NY.GNP.PCAP.CD?locations=KR)를 이용해 작성.* 영상이 국가별 1인당 GNI 구간에 따라 인구를 합산한 대략적인 집계에서는 세계 인구의 약 49%가 5,000달러 미만, 약 85%가 2만 달러 이하, 약 91%가 5만 달러 미만 국가에 산다. 식량과 전기, 가전과 교통수단의 보급은 여전히 많은 사람의 일상을 바꿀 성장 과제다. 깨끗한 물과 안정적인 식량, 냉장고와 세탁기, 이동수단과 통신망은 사람들이 하루를 보내는 방법을 바꿨다. 생존에 쏟던 시간을 공부와 일에 쓸 수 있게 했고, 더 먼 지역의 기회를 이용하게 했으며, 여행과 취미를 반복 가능한 소비로 만들었다. 한국이 이룬 성장은 그 선택지를 넓혀 온 과정이다. 다음 성장의 성과도 같은 기준으로 판단할 수 있다. 소득이 늘어 주거비를 내고 남는 여유가 커지는지, 일을 하면서도 아이를 돌볼 수 있는지, 나이가 들어도 필요한 서비스를 이용할 수 있는지. **더 높은 국민소득의 가치는 사람들이 선택할 수 있는 생활이 실제로 넓어질 때 드러난다.** --- --- id: "authored/a7c16e94-d0b5-4a55-9abd-5ca5cff1ddfe" title: "국민소득과 생활수준 읽기: GNI, PPP, 소비와 행복" description: "세계은행 Atlas GNI와 국가 소득군, 개인 빈곤선, USDA 엥겔의 법칙, ICP 실제개별소비, OECD 주거비와 행복 연구의 측정 범위를 구분한다." kind: "llm-wiki" published: "2026-10-18T08:33:07.383Z" tags: ["경제","국민소득","소비","통계"] url: "https://www.readiz.com/llm-wiki/national-income-living-standards-data-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/national-income-living-standards-data-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 국민소득과 생활수준 읽기: GNI, PPP, 소비와 행복 국민소득과 생활수준을 연결할 때는 국가 평균, 가계의 소득과 소비, 물가, 삶의 질을 구분해야 한다. 이 문서는 세계은행 GNI와 국제비교프로그램(ICP), USDA 식품 소비 자료, OECD 삶의 질 지표를 같은 질문에 맞춰 읽는 방법을 정리한다. ## 무엇을 비교하는 지표인가 | 지표 | 측정 대상 | 활용과 해석 범위 | | ----------------- | ------------------------------- | ------------------------------------ | | GDP | 국내에서 생산한 부가가치 | 생산 규모. 가계가 쓸 수 있는 돈과 다름 | | GNI | GDP에 해외와의 순본원소득을 반영한 국민총소득 | 거주자에게 귀속되는 소득. 국적 기준과 구별 | | 1인당 GNI, Atlas 방식 | GNI를 Atlas 환산계수로 달러화하고 인구로 나눈 값 | 국가 소득 비교와 분류. 개인 임금이나 중위소득이 아님 | | 가처분소득 | 세금과 이전 등을 반영한 가계의 사용 가능한 소득 | 실제 소비와 저축 여력. 가구 규모 조정과 평균, 중위 구분 필요 | | PPP 기준 소비 | 국가 간 가격 차이를 조정한 소비의 양 | 생활에서 구입할 수 있는 재화와 서비스의 비교 | | 실제개별소비(AIC) | 가계 직접 소비와 정부 등이 제공하는 개인 대상 서비스 | 의료와 교육 등 현물서비스까지 포함한 물질적 생활수준 비교 | 세계은행은 GNI가 국내 생산 가치보다 거주자의 소득에 가깝다는 이유로 국가 소득 분류에 사용한다. GNI만으로 주민의 복지를 직접 측정할 수 있다는 뜻은 아니다. [GNI를 사용하는 이유](https://datahelpdesk.worldbank.org/knowledgebase/articles/378831-why-use-gni-per-capita-to-classify-economies-into) Atlas 환산계수는 당해 연도와 이전 2년의 환율을 국내와 국제 물가 차이에 맞춰 조정한 것이다. 단기 환율 변동을 줄이는 방법이며 구매력평가(PPP)나 불변가격 실질소득과 같지 않다. [Atlas 방법론](https://datahelpdesk.worldbank.org/knowledgebase/articles/378832-what-is-gross-national-income-gni) ## 세계은행 국가 소득 분류와 개인 빈곤선 [World Bank Country and Lending Groups](https://datahelpdesk.worldbank.org/knowledgebase/articles/906519-world-bank-country-and-lending-groups)의 2027 회계연도 분류는 2025년 1인당 Atlas GNI를 사용한다. | 국가 소득군 | 2025년 1인당 GNI | | ------ | -------------- | | 저소득 | 1,175달러 이하 | | 하위 중소득 | 1,176–4,635달러 | | 상위 중소득 | 4,636–14,375달러 | | 고소득 | 14,375달러 초과 | 영상이나 해설에서 쓰는 1,000달러, 5,000달러, 3만 달러, 5만 달러 등의 생활 단계는 별도의 설명 틀일 수 있다. 공식 소득군의 경계와 섞지 않는다. 국가 사례는 데이터 기준 연도와 환산 방식을 맞춰 재확인한다. 개인의 빈곤은 별도로 측정한다. 세계은행은 2025년 6월 국제 극빈선을 **2021년 PPP 기준 하루 3달러**로 갱신했다. 가계 조사로 측정한 1인당 소득 또는 소비를 기준으로 하므로, 국가 평균 GNI를 365로 나눈 숫자와 직접 비교할 수 없다. [2025년 빈곤선 개편 설명](https://www.worldbank.org/en/news/factsheet/2025/06/05/june-2025-update-to-global-poverty-lines) ## 한국의 1인당 GNI를 같은 계열로 비교 - 지표: `NY.GNP.PCAP.CD`, GNI per capita, Atlas method (current US\$). - 국가: `KOR`. - 조회 범위: 1970–2025년. - 이번 응답의 데이터 갱신일: 2026년 10월 8일. 조회일은 2026년 10월 18일. - [지표 페이지](https://data.worldbank.org/indicator/NY.GNP.PCAP.CD?locations=KR), [공개 API 원자료](https://api.worldbank.org/v2/country/KOR/indicator/NY.GNP.PCAP.CD?format=json\&date=1970:2025\&per_page=100). | 연도 | 1인당 GNI, 달러 | | ---- | ----------: | | 1977 | 980 | | 1978 | 1,300 | | 2014 | 29,480 | | 2015 | 30,130 | | 2024 | 36,750 | | 2025 | 37,880 | ![한국의 1970년부터 2025년까지 Atlas 방식 1인당 GNI](https://www.readiz.com/assets/authored/a7c16e94-d0b5-4a55-9abd-5ca5cff1ddfe/e4304e43-f77a-4eee-a253-d585c6dac361.webp) *세계은행 WDI `NY.GNP.PCAP.CD`, 한국, 1970–2025년 자료로 작성. 명목 달러 계열이며 실질소득 증가율이나 임금 계열이 아님. [원자료](https://data.worldbank.org/indicator/NY.GNP.PCAP.CD?locations=KR).* 현재 계열에서 1977년은 1,000달러 미만이며 2015년은 3만 달러를 넘는다. 한국은행의 당해 연도 환율 환산 GNI, 세계은행 Atlas GNI, GDP를 섞으면 같은 경계에 처음 도달한 연도가 달라질 수 있다. 통계 개정도 있으므로 과거에 보도된 숫자를 현재 계열과 비교할 때는 버전 차이를 남긴다. ## 소비 구조: 엥겔의 법칙을 읽는 두 축 USDA ERS의 [Percent of Income Spent on Food Falls as Income Rises](https://www.ers.usda.gov/amber-waves/2016/september/percent-of-income-spent-on-food-falls-as-income-rises)는 소득이 늘어날 때 식비 금액은 증가하면서 소득에서 차지하는 비중은 감소하는 관계를 설명한다. 식비가 절대적으로 줄어든다는 법칙이 아니다. [2023년 9월 28일 공개한 국제 비교 도표](https://ers.usda.gov/data-products/charts-of-note/107494)는 2022년 자료다. 가로축은 1인당 전체 소비지출의 달러 금액, 세로축은 전체 가계지출에서 식품이 차지하는 비중이다. GNI를 가로축에 둔 그래프가 아니며, 소득 대비 식비와 소비지출 대비 식비는 분모가 다르다. ![국가별 전체 소비지출과 식품 비중을 비교한 USDA 원본 도표](https://www.readiz.com/assets/authored/a7c16e94-d0b5-4a55-9abd-5ca5cff1ddfe/7e7d3abe-bcd1-4915-b2f4-2717c1e12fad.webp) *2022년 국가 간 비교. 출처: USDA ERS, Euromonitor International 연간 가계지출 자료를 이용한 계산. [원본과 설명](https://ers.usda.gov/data-products/charts-of-note/107494).* 이 자료는 저소득 가계에서 식품 가격 상승의 부담이 큰 이유와 비식품 소비가 커질 여지를 설명하는 데 유용하다. 각 국가의 한 시점 비교이므로 국가의 성장 경로, 인과효과, 특정 가전제품을 구매하기 시작하는 소득 경계를 직접 추정하지 않는다. 세부 데이터는 가정 내 식품과 외식의 포함 범위를 확인해야 한다. 최신 자료의 입구는 [International Food and Alcoholic Beverage Expenditure Data](https://www.ers.usda.gov/data-products/international-food-and-alcoholic-beverage-expenditure-data)다. ## 물가와 공공서비스: PPP와 AIC 세계은행 [ICP 2021: Per capita measures](https://www.worldbank.org/en/brief/2021/04/30/icp2021-dataviz-3)는 1인당 GDP와 실제개별소비(AIC)를 구분한다. GDP에는 투자와 정부의 집합적 소비 등이 포함된다. AIC는 개인에게 직접 돌아가는 재화와 서비스에 초점을 맞추고, 가계가 직접 지출한 소비에 정부나 비영리기관이 제공한 의료와 교육 등을 포함한다. 국가 간 생활수준을 비교할 때 PPP는 가격 차이를 조정한다. AIC를 함께 보면 높은 생산 규모가 평균적인 개인 소비로 얼마나 연결되는지 살필 수 있다. 국민소득 순위, 개인의 시장소비, 공공서비스를 포함한 물질적 복지는 서로 다른 비교다. 소득이나 소비가 누구에게 얼마나 분배되는지는 별도의 분포 지표로 보완한다. - [ICP 데이터](https://www.worldbank.org/en/programs/icp/data) - [ICP FAQ와 정의](https://www.worldbank.org/en/programs/icp/faq) ## 고소득 사회: 주거비와 시간, 행복 OECD (2024), *How's Life? 2024: Well-being and Resilience in Times of Crisis*, 2024년 11월 5일 발간, DOI `10.1787/90ba854a-en`은 소득, 주거, 일자리의 질, 건강, 관계 등 여러 차원으로 생활을 비교한다. [Chapter 2, Figure 2.9와 설명](https://www.oecd.org/en/publications/how-s-life-2024_90ba854a-en/full-report/component-6.html)은 2022년 소득 하위 40% 가구 중 약 다섯 가구에 하나가 가처분소득의 40% 넘게 주거비를 지출했다고 설명한다. 분모는 전체 가구가 아니라 **소득 하위 40%에 해당하는 가구**다. 지표를 인용할 때 임차료와 주택담보대출 비용 등 해당 지표의 주거비 정의를 유지한다. 국가별 가용 연도와 OECD 평균의 구성도 원문 주석을 따른다. - [보고서 상세 페이지](https://www.oecd.org/en/publications/how-s-life-2024_90ba854a-en.html) - [원기관 PDF 다운로드, 약 6.9 MB](https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/11/how-s-life-2024_bdcf2f9f/90ba854a-en.pdf) 소득과 행복의 관계에는 측정 수준을 섞지 않는 것이 중요하다. Killingsworth, Kahneman, Mellers (2023), *Income and emotional well-being: A conflict resolved*, PNAS 120(10), e2208661120, DOI `10.1073/pnas.2208661120`은 미국의 18–65세 취업 성인 33,391명 가운데 연간 가구소득 1만 달러 이상인 경험표집 자료를 공동 재분석했다. 소득은 세전 연간 가구소득이다. 정서적 행복과 로그 소득의 전반적인 양의 관계, 가장 불행한 집단에서의 정체 양상을 함께 보고한다. [공개 원문](https://pmc.ncbi.nlm.nih.gov/articles/PMC10013834/), [텍사스대학교 강의자료 제공 PDF, 약 0.64 MB](https://iverson.cm.utexas.edu/courses/310N/Handouts/Science%20of%20Happiness%20Folder/Article%2011%20copy.pdf) 이 연구의 가구소득과 개인의 순간적 정서 경험을 국가별 1인당 GNI에 대입하지 않는다. 국가의 장기 성장과 평균 행복, 한 시점의 가구소득과 정서적 행복은 다른 분석이다. 3만 달러나 5만 달러를 보편적인 행복 포화점으로 제시할 근거로 쓸 수 없다. ## 식량 충격과 기반시설의 연결 [WFP 북한 국가 자료](https://www.wfp.org/countries/democratic-peoples-republic-korea)는 농업 투입재와 장비의 부족, 반복되는 재해, 제한된 대응 능력이 식량 문제를 악화시킨다고 설명한다. 1995년부터 지원해 온 이력도 확인할 수 있다. 국가 평균소득을 식량 안정성의 충분조건으로 취급하지 않고, 생산과 외부 조달, 분배, 충격 대응 능력을 나눠 읽을 때 유용하다. 페이지에 표시된 영양부족 수치는 별도의 관측 연도를 확인해야 하며 조회일의 실시간 추정으로 쓰지 않는다. ## 연결해서 읽을 자료 - [서비스업 생산성과 실증 제도](https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/): 수요가 서비스로 이동한 뒤 생산성과 제도를 살필 때. - [경제자료 지도](https://www.readiz.com/llm-wiki/economic-research-topic-source-index/): 금리, 산업, 고용, 주택 관련 원자료를 찾을 때. 자료 확인: 2026년 10월 18일. 개별 관측 기간은 각 절의 연도를 따른다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/aa52fea0-682d-4fd1-83ab-e6d02f453191" title: "일본 버블과 통화정책: 1986–1990년 금리 경로와 정책 책임" description: "일본은행 2001년 연구와 역대 총재 명단으로 저금리 유지, 첫 긴축, 미에노 취임의 순서를 대조한다. 국제 공조와 감독권, 부실채권의 역할도 구분한다." kind: "llm-wiki" published: "2026-10-18T04:57:39.798Z" tags: ["일본","금리","주택가격","금융위기"] url: "https://www.readiz.com/llm-wiki/japan-bubble-interest-rates-policy-independence/" markdownUrl: "https://www.readiz.com/llm-wiki/japan-bubble-interest-rates-policy-independence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # 일본 버블과 통화정책: 1986–1990년 금리 경로와 정책 책임 일본의 1980년대 버블을 금리와 정책 책임의 사례로 사용할 때는 금리 변경일, 총재 재임 기간, 국제 정책 공조, 금융기관의 부실채권 문제를 나누어 읽는다. 저금리 유지와 긴축의 순서는 공식 자료로 확인할 수 있지만, 특정 정치인 한 사람의 선택으로 장기 침체 전체를 설명하는 것은 별도의 인과 주장이다. ## 원자료와 금리 경로 Kunio Okina, Masaaki Shirakawa, Shigenori Shiratsuka의 「The Asset Price Bubble and Monetary Policy: Japan’s Experience in the Late 1980s and the Lessons」는 일본은행 금융연구소 Monetary and Economic Studies 19권 특별호, 2001년 2월 논문이다. 2000년 워크숍 초고와 최종 발행 연도를 구분한다. 저자들의 견해이며 일본은행이나 연구소의 공식 견해와 반드시 같지는 않다는 고지가 있다. [서지와 초록](https://www.imes.boj.or.jp/research/abstracts/english/me19-s1-14.html), [원문 PDF](https://www.imes.boj.or.jp/research/papers/english/me19-s1-14.pdf) 표 2(인쇄면 419쪽)는 1986년 1월부터 1987년 2월까지 공정할인율을 다섯 차례 내려 5.0%에서 2.5%로 낮춘 경로를 담는다. 2.5%는 1989년 5월까지 약 27개월 유지됐다. 표 7(425쪽)의 인상 경로는 다음과 같다. | 시행일 | 변경 전 | 변경 후 | | ---------- | ----: | ----: | | 1989-05-31 | 2.50% | 3.25% | | 1989-10-11 | 3.25% | 3.75% | | 1989-12-25 | 3.75% | 4.25% | | 1990-03-20 | 4.25% | 5.25% | | 1990-08-30 | 5.25% | 6.00% | ![일본 공정할인율과 첫 인상 및 미에노 취임 시점](https://www.readiz.com/assets/authored/aa52fea0-682d-4fd1-83ab-e6d02f453191/a6dd501c-2099-4c7b-aa2e-92fb0c9afe41.webp) *원논문 표 2와 표 7의 시행일로 재작성. 연 %. 총재 재임 기간은 [일본은행 명단](https://www.boj.or.jp/en/about/outline/history/pre_gov/index.htm)으로 대조.* 미에노 야스시의 총재 취임일은 1989년 12월 17일이다. 따라서 5월과 10월의 인상은 스미타 사토시 총재 재임 중이다. ‘미에노 취임 뒤 긴축이 시작됐다’는 연표는 첫 두 차례 인상을 누락한다. ## 국제 공조와 독립성 논문은 다섯 차례 인하 중 첫 조치 이후의 네 차례에 국제 정책 공조의 영향이 강했다고 설명한다. 이를 다섯 차례 모두 미야자와 개인이 지시했다는 주장으로 넓히지 않는다. 441–442쪽과 각주 67–68은 구법 아래에도 공정할인율 변경 권한은 정책위원회에 있었지만, 정부의 광범위한 감독이 독립성에 영향을 줄 가능성을 다룬다. 각주에 소개된 당시 일본은행 설명은 일반 업무 지시와 임원 해임 권한이 실제 행사된 적은 없었다는 내용도 포함한다. 법적 권한의 존재, 실제 행사, 정치적 압력을 구분해야 한다. 1998년 4월 시행된 신법은 감독 범위를 제한하고 독립성과 책임성을 강화했다. ## 물가 안정만으로 금융 안정을 판단할 수 없는 이유 [우에다 가즈오의 2000년 5월 5일 제네바 회의 연설](https://www2.boj.or.jp/archive/en/announcements/press/koen_2000/ko0005a.htm)은 환율과 해외 정책 압력, 블랙먼데이 이후의 대응, 낮은 소비자물가가 긴축 판단을 어렵게 했다고 설명한다. 1988년 소비자물가 상승률은 0.7%였지만 자산 가격은 과열돼 있었다. 이 연설은 주가와 땅값의 붕괴가 부실채권을 만들고 금융과 실물경제에 장기적인 영향을 줬다는 경로를 강조한다. 금리 인상과 이후 경기 침체가 시간상 이어졌다는 사실만으로 장기 침체의 원인을 긴축 하나로 확정할 수 없다. 부실 인식과 손실 처리, 금융기관의 자본, 기업의 부채 조정도 함께 조사할 자료다. 현재 주택시장에 적용할 때는 당시 공정할인율을 오늘의 다른 정책금리와 그대로 비교하지 않는다. 소득, 은행의 대출 기준, 담보와 상환 구조를 함께 보며, 역사적 금리 수준을 현재 버블 붕괴의 임계치로 사용하지 않는다. ## 원본 식별과 관련 자료 확보한 2001년 논문 PDF는 351,052바이트이며 SHA-256은 `8e71e410e485f3df9a50861a68b02a2474df0a8cb881b13d9f596b322a619925`다. 다운로드는 원기관으로 연결한다. 자료 확인: 2026년 10월 18일. [금리와 주택가격의 설명 기여도 및 시차 연구](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/), [가계대출의 금리 재산정](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/), [프랑스 재정과 차환 비용](https://www.readiz.com/llm-wiki/france-fiscal-debt-insee-aft-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/96e9c3d4-d85c-47c0-84c9-34e114d14454" title: "64비트 CPU에서 64는 무엇의 크기일까" description: "CPU의 데이터 폭과 주소 폭을 분리해 6502의 주소 조립, Pentium Pro의 PAE, 현대 CPU의 RAM 한계를 이해한다." kind: "record" published: "2026-10-17T16:16:16.440Z" tags: ["computer architecture","메모리"] url: "https://www.readiz.com/records/cpu-bits-register-address-memory/" markdownUrl: "https://www.readiz.com/records/cpu-bits-register-address-memory/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 64비트 CPU에서 64는 무엇의 크기일까 64비트 CPU에서 64는 무엇의 크기일까. 흔히 “32비트는 메모리를 4GB까지만 쓰고, 64비트는 그보다 많이 쓴다”고 설명한다. 익숙한 PC 환경을 요약할 때는 편한 말이다. 그런데 이 문장을 CPU 자체의 정의로 외우면, 오래된 8비트 컴퓨터부터 설명이 안 된다. 8비트로는 256가지 값만 표현하는데, MOS 6502는 어떻게 64KiB의 주소 공간을 다뤘을까? 핵심은 **데이터를 계산하는 폭, 메모리 위치를 나타내는 주소의 폭, 실제로 설치할 수 있는 RAM 용량을 따로 보는 것**이다. Core Dumped의 영상은 이 차이를 작은 CPU의 동작부터 설명한다. 이 구분을 이해하면 32비트 CPU가 4GiB를 넘는 물리 메모리에 접근하는 이유도, 64비트 CPU의 사양표에 최대 메모리가 256GB로 적히는 이유도 같은 원리로 이어진다. [YouTube: You've Been Lied To About 64-Bit CPUs — Core Dumped](https://www.youtube.com/watch?v=bV3GD--FHu8) ## 4GiB라는 계산에서 빠진 전제 메모리를 길게 늘어선 바이트 칸으로 생각해보자. 각 칸에는 8비트 데이터가 들어가고, 주소는 그중 어느 칸을 읽거나 쓸지 지정하는 번호다. 실제 RAM 안에서는 주소를 해석하는 회로가 셀을 선택하고 데이터를 읽지만, 프로그램에 보이는 기본 모델은 이 바이트 배열이다. 한 주소가 1바이트를 가리키는 방식을 바이트 주소 지정이라고 한다. 여기서 주소가 $n$비트라면 서로 다른 주소는 $2^n$개다. 따라서 주소 공간의 크기는 다음과 같이 계산된다. $$ \text{주소 공간의 크기}=2^n\text{ bytes} $$ 32비트 주소라면 0부터 $2^{32}-1$까지, 모두 4,294,967,296개의 바이트를 식별한다. 정확히 4GiB다. 최대 주소의 값과 주소 개수에는 1 차이가 있다는 점도 중요하다. `0xFFFFFFFF`는 마지막 주소이며, 0번지까지 포함한 공간의 크기가 $2^{32}$바이트다. ![주소 비트 수에 따른 바이트 주소 공간 계산](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/ce52ccca-92cf-4228-a90b-22a54a21fcde.webp) *주소의 비트 수가 하나 늘 때마다 공간은 두 배로 증가. 영상의 KB·GB는 여기서는 KiB·GiB에 해당한다. [Core Dumped, 2:15](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=135s)* 계산은 맞다. 문제는 $n$에 어떤 숫자를 넣었느냐다. **32비트 주소를 사용한다는 전제가 있을 때 4GiB가 나온다. CPU를 32비트라고 부른다는 사실만으로 모든 주소까지 32비트여야 하는 것은 아니다.** 이 글에서는 2의 거듭제곱으로 계산한 용량에 KiB·GiB·TiB·PiB·EiB를 쓴다. 제조사 사양을 인용할 때는 원문에 적힌 GB·TB 표기를 유지한다. ## CPU의 비트 수는 계산 단위에서 출발한다 영상에서 설명하는 CPU의 비트 수는 기본 정수 데이터를 다루는 폭이다. 범용 레지스터는 연산할 값과 결과를 잠시 보관하고, ALU는 그 값으로 덧셈이나 논리 연산을 수행한다. 8비트 CPU라면 이런 기본 데이터 경로가 8비트인 구조를 떠올리면 된다. 이것을 CPU 안의 모든 회로와 레지스터, 모든 명령어가 똑같이 8비트라는 뜻으로 확대하면 안 된다. 영상의 `19 + 16` 예가 직관적이다. 19와 16은 각각 이진수 `10011`, `10000`이다. 두 값 모두 5비트가 필요하므로 8비트 레지스터에는 들어가지만 4비트 레지스터 하나에는 들어가지 않는다. 그렇다고 4비트 CPU에서 이 덧셈을 못 하는 것은 아니다. 큰 수를 여러 조각으로 나누면 된다. ```text 19 = 0001 0011 16 = 0001 0000 아래쪽 4비트: 0011 + 0000 = 0011 위쪽 4비트: 0001 + 0001 = 0010 합친 결과: 0010 0011 = 35 ``` 이 예에서는 아래쪽 덧셈의 자리올림이 0이다. 일반적인 여러 자리 덧셈에서는 아래 조각에서 생긴 carry를 다음 조각에 전달해야 한다. 종이에 긴 덧셈을 하는 것과 같은 원리다. 더 넓은 레지스터는 이 작업을 더 큰 덩어리로 처리하게 해준다. 위 예가 보여주는 것은 필요한 연산 단계의 차이이며, CPU 비트 수가 두 배면 모든 프로그램이 두 배 빨라진다는 성능 공식은 아니다. ![4비트와 8비트 CPU에서 19와 16을 더하는 비교](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/223bd849-5924-4c29-a8f5-9c62cc2cd3aa.webp) *같은 정수 덧셈을 다른 폭의 레지스터로 처리하는 예. [Core Dumped, 4:30](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=270s)* 이 설명은 주소에도 그대로 적용된다. 한 번에 다루는 데이터보다 긴 숫자를 여러 조각으로 만들 수 있다면, 주소를 만드는 회로 역시 범용 레지스터보다 넓게 설계할 수 있다. ## 주소를 보내는 길과 데이터를 보내는 길 단순한 CPU와 메모리 연결 그림에는 두 종류의 통로가 나온다. 주소 버스는 “어디를 읽을 것인가”를 전달하고, 데이터 버스는 “그곳에 무엇이 들어 있는가”를 전달한다. 16비트 주소로 65,536개 위치 중 하나를 선택한 뒤, 그 위치에서 8비트 데이터를 받아오는 구조는 전혀 모순되지 않는다. ![데이터 버스와 주소 버스의 역할을 나눈 구조도](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/7c1ae5f6-249a-4ef6-9b75-d3642973eb78.webp) *위치 선택과 데이터 전송을 분리한 개념도. [Core Dumped, 5:50](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=350s)* CPU 내부의 레지스터도 용도별로 폭이 다를 수 있다. 프로그램 카운터는 다음에 가져올 명령어의 위치를 기억한다. 이 값이 넓은 주소 공간을 가리켜야 한다면, 데이터를 계산하는 누산기보다 크게 만들면 된다. 6502 계열의 W65C02S 공식 자료가 좋은 예다. 누산기 A와 인덱스 레지스터 X·Y는 8비트인 반면, 프로그램 카운터 PC와 주소 버스는 16비트다. [WDC 데이터시트](https://www.westerndesigncenter.com/wdc/documentation/w65c02s.pdf)의 5쪽 특징 목록과 8쪽 프로그래밍 모델에서 확인할 수 있다. W65C02S는 영상의 초기 MOS 6502와 같은 모델은 아니지만, 이 계열의 데이터 폭과 주소 폭을 분리해서 읽는 데 명확한 원자료다. ![W65C02S의 8비트 데이터 레지스터와 16비트 프로그램 카운터](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/d647936b-8546-4725-a9bf-18666a3296f1.webp) *A·X·Y와 PC의 폭이 다른 실제 프로그래밍 모델. [WDC, W65C02S Datasheet, 8쪽 Figure 2-2](https://www.westerndesigncenter.com/wdc/documentation/w65c02s.pdf#page=8)* ## 8비트 값 두 개로 16비트 주소 만들기 그럼 작은 레지스터에 담긴 값으로 긴 주소는 어떻게 만들까. 영상은 16비트 주소 레지스터를 상위 8비트 H와 하위 8비트 L로 나누는 가상의 CPU를 사용한다. 예를 들어 하위 바이트가 `0x35`, 상위 바이트가 `0x0D`라면 합친 주소는 `0x0D35`다. 상위 값을 8비트 왼쪽으로 옮긴 뒤 하위 값을 붙이는 셈이다. $$ \text{address}=(0x0D\ll 8)\;|\;0x35=0x0D35 $$ 영상의 과정을 동작 중심으로 다시 적으면 다음과 같다. 실제 6502 명령어 문법이 아닌 설명용 의사 코드다. ```text low = memory[addr] high = memory[addr + 1] address_register.low = low address_register.high = high value = memory[address_register] ``` 먼저 주소를 구성하는 두 바이트를 읽는다. 두 값을 주소 레지스터의 각 절반에 넣은 뒤, 완성된 주소가 가리키는 곳에서 데이터를 읽는다. 마지막으로 읽는 데이터가 여전히 1바이트여도 주소는 16비트일 수 있다. ![여러 단계의 주소 조립과 레지스터 쌍 및 간접 주소 지정 비교](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/3d6158a5-e776-4af1-b71b-3d536d27352e.webp) *같은 주소 생성 과정을 여러 명령으로 드러내거나 명령어 내부에 포함하는 방식. [Core Dumped, 7:50](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=470s)* 명령어 집합은 이 과정을 다르게 표현할 수 있다. 두 레지스터를 한 쌍으로 받아 주소를 만드는 명령을 제공할 수도 있고, 메모리에 저장된 주소를 따라가는 간접 주소 지정 명령으로 묶을 수도 있다. 한 줄로 적힌 명령이 내부에서도 한 번의 데이터 이동으로 끝난다는 뜻은 아니다. 주소 조립과 메모리 읽기의 여러 단계를 하드웨어가 맡을 수 있다는 의미다. 주소 레지스터를 프로그래머가 직접 조작하게 노출하는지도 아키텍처마다 다르다. 영상의 H·L 모델은 가능한 작동 원리를 설명하는 장치이며, 모든 CPU가 동일한 이름의 레지스터를 제공한다는 설명은 아니다. ## 명령어 길이도 CPU의 비트 수와 별개다 8비트 CPU라면 명령어도 반드시 1바이트여야 할까? 6502의 명령어를 보면 답이 바로 나온다. 명령어는 무슨 일을 할지 나타내는 opcode와, 필요한 경우 값이나 주소를 나타내는 추가 바이트로 이루어진다. 영상의 예에서 5와 3을 더해 특정 메모리 위치에 저장하는 부분은 다음과 같다. 여기서 `#$05`는 값 5 자체, `$0200`은 주소를 의미한다. ```asm LDA #$05 ; A에 5를 넣는다 CLC ; 덧셈에 쓸 carry를 0으로 만든다 ADC #$03 ; A에 3과 carry를 더한다 STA $0200 ; 결과 8을 주소 0x0200에 저장한다 ``` 이진 정수 모드라는 전제에서 마지막 저장 값은 8이다. 길이는 각각 2, 1, 2, 3바이트다. `CLC`는 무슨 동작인지 알리는 1바이트면 충분하고, `LDA #$05`는 opcode 뒤에 값 5를 붙인다. `STA $0200`은 opcode 뒤에 16비트 주소가 필요하므로 총 3바이트다. | 명령어 | 기계어 바이트, 16진수 | 길이 | 추가 바이트의 의미 | | ----------- | ------------- | ---: | ----------- | | `LDA #$05` | `A9 05` | 2바이트 | 즉시값 5 | | `CLC` | `18` | 1바이트 | 없음 | | `ADC #$03` | `69 03` | 2바이트 | 즉시값 3 | | `STA $0200` | `8D 00 02` | 3바이트 | 주소 `0x0200` | `00 02`는 주소의 낮은 바이트부터 저장하는 순서다. 이 바이트들을 읽어 `0x0200`이라는 주소를 복원한다. WDC 문서의 절대 주소 지정 설명도 opcode 다음 두 바이트가 16비트 주소를 만든다고 명시한다. 이처럼 **데이터 연산 폭이 8비트인 CPU도 여러 바이트의 명령어를 읽어 16비트 주소를 만들 수 있다.** ![6502의 1바이트·2바이트·3바이트 명령어 비교](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/d3abf700-8d98-4a80-a88f-1fe696b622d0.webp) *명령의 기능에 따라 달라지는 인코딩 길이. 화면 마지막 JMP 행의 `4C 09 80`은 `JMP $8009`에 해당하며, `$800B`라면 `4C 0B 80`이어야 한다. [Core Dumped, 9:07](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=547s)* ## 32비트 CPU가 64GiB에 접근할 수 있었던 이유 영상의 역사적 반례는 이 구조를 확인하는 사례다. 8비트 MOS 6502는 16비트 주소를 사용한다. 32비트 Pentium Pro는 PAE, 즉 물리 주소 확장을 통해 36비트 물리 주소 공간을 지원한다. 32에서 36으로 주소 비트가 네 개 늘면 공간은 $2^4=16$배가 된다. 4GiB에서 64GiB로 늘어나는 계산이다. ![Pentium Pro의 32비트 데이터와 36비트 주소 폭 비교](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/784c2d87-2436-4f22-b270-07e10bf50e8a.webp) *데이터 폭과 물리 주소 폭의 차이. 그림의 AX·BX 등은 개념 표기이며 실제 32비트 레지스터 이름은 EAX·EBX 등이다. [Core Dumped, 10:07](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=607s)* [Intel SDM Volume 3A의 3.3절](https://cdrdv2-public.intel.com/929359/253668-093-sdm-vol-3a.pdf#page=94)은 Pentium Pro부터 물리 주소 공간을 $2^{36}$바이트로 확장했다고 설명한다. 여기서 말하는 것은 CPU의 주소 지정 능력이다. 어떤 메인보드와 운영체제를 쓰든 실제로 64GiB를 설치할 수 있다는 보장은 아니다. 이 대목에서 가상 주소와 물리 주소를 분리해야 한다. 프로그램이 사용하는 가상 주소는 운영체제가 관리하는 페이지 테이블을 거쳐 물리 주소로 변환된다. PAE에서는 프로그램의 32비트 주소를 유지하면서 변환 결과가 더 넓은 물리 공간을 가리키도록 할 수 있다. 작은 지도에 적힌 번호를 큰 창고의 실제 위치와 연결하는 셈이다. 따라서 PAE를 켰다고 한 32비트 프로그램의 평평한 가상 주소 공간이 자동으로 64GiB가 되지는 않는다. [Microsoft의 PAE 설명](https://learn.microsoft.com/en-us/windows/win32/memory/physical-address-extension)도 프로세스의 가상 주소 공간과 시스템이 접근하는 물리 메모리의 확장을 구분한다. 실제 사용자 영역에는 운영체제의 분할·제약이 추가된다. “32비트에서 4GiB 제한을 봤다”는 경험과 “32비트 CPU가 더 큰 물리 메모리를 다룬다”는 설명은 이렇게 함께 성립한다. 영상은 더 작은 4비트 Intel 4004도 소개한다. 이 사례에는 바로잡아 읽을 부분이 있다. 영상의 3:38 화면은 `4 KB RAM`이라고 표시하지만, [Intel의 4004 원본 데이터시트 보존본](https://datasheets.chipdb.org/Intel/MCS-4/datashts/intel-4004.pdf)은 **4K개의 8비트 프로그램 명령어 공간과 5,120비트의 데이터 RAM**을 구분한다. 프로그램 쪽이 4KiB이며 데이터 RAM은 640바이트다. 서로 다른 메모리를 하나의 RAM 수치로 합치면 안 된다. 4비트 데이터 경로와 더 넓은 프로그램 주소를 가진다는 핵심 사례로 읽는 것이 정확하다. ## 64비트가 되자 오히려 주소가 더 좁아졌다 주소를 64비트 전부로 구성하고 각 주소가 1바이트를 가리킨다고 가정하면 공간은 다음 크기다. $$ 2^{64}=18,446,744,073,709,551,616\text{ bytes}=16\text{ EiB} $$ 이만큼의 정수 값을 다룰 수 있는 것과 이만큼의 물리 주소 공간을 실제 하드웨어에 구현하는 것은 별도 선택이다. 현대 CPU는 기본 64비트 정수 연산을 지원하면서도 물리 주소에는 더 적은 비트를 구현한다. 과거에는 계산 폭보다 넓은 주소가 필요했고, 지금은 64비트 전체보다 작은 주소 공간으로도 제품의 요구를 충족하는 경우가 많다. 영상은 i5-9600K의 최대 메모리 128GB 사양에서 출발해, Core Ultra 9 285K와 Xeon 사례를 비교한다. i5-9600K의 128GB는 [Intel 제품 비교표](https://www.intel.com/content/www/us/en/products/compare.html?productIds=134896,186604,186605), 285K의 256GB와 두 메모리 채널은 [Intel 제품 사양](https://www.intel.com/content/www/us/en/products/sku/241060/intel-core-ultra-9-processor-285k-36m-cache-up-to-5-70-ghz/specifications.html)에서도 확인된다. ![현대 64비트 CPU에서 물리 주소 공간과 최대 메모리 사양이 다른 예](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/74018ba4-0d2b-44ab-bcad-b972f0aea10b.webp) *영상이 제시한 285K의 46비트 주소와 256GB 메모리 사양 비교. 아래 Xeon의 52비트·4TB는 영상의 사례이며 Xeon 6 전체의 공통 사양을 뜻하지 않는다. 그림의 주소 버스는 통합 메모리 컨트롤러를 단순화한 표현이다. [Core Dumped, 12:39](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=759s)* 46비트 바이트 주소 공간은 64TiB, 52비트는 4PiB다. 그러나 사양표의 최대 RAM은 메모리 컨트롤러, 지원하는 모듈 구성, 보드 설계 같은 제품 조건의 결과다. 주소를 붙일 수 있는 공간이 크다고 그 공간 전부를 RAM으로 채울 수 있는 것은 아니다. 물리 주소 공간에는 메모리 매핑 I/O 같은 장치 영역도 들어간다. 숫자가 크다고 의미까지 같아지지는 않는다. `64-bit`는 기본 데이터 처리 구조를 읽는 정보이고, 물리 주소 비트는 주소 지정 범위를 읽는 정보이며, `Max Memory Size`는 제품 구성의 메모리 지원 범위를 읽는 정보다. RAM 증설 가능성을 판단할 때는 마지막 정보와 메인보드·운영체제 조건이 직접적인 기준이 된다. ## 내 시스템에서는 무엇을 확인하면 될까 영상 마지막에는 Linux의 `lscpu`가 나온다. Linux 환경에서 다음처럼 실행하면 주소 폭을 볼 수 있다. 출력 언어 때문에 필터가 비지 않도록 `LC_ALL=C`를 덧붙였다. ```sh LC_ALL=C lscpu | grep 'Address sizes' ``` 영상의 Ryzen 9 9950X3D 시연에는 다음 값이 표시된다. 이 글을 작성한 환경에서 직접 측정한 수치가 아니라 영상 속 결과다. ```text Address sizes: 48 bits physical, 48 bits virtual ``` ![lscpu로 물리 주소 폭과 가상 주소 폭을 확인하는 영상 장면](https://www.readiz.com/assets/authored/96e9c3d4-d85c-47c0-84c9-34e114d14454/ef948a58-a455-4929-b7c0-09f7fb32984e.webp) *Ryzen 9 9950X3D로 표시된 시연의 주소 폭. [Core Dumped, 13:01](https://www.youtube.com/watch?v=bV3GD--FHu8\&t=781s)* `physical`과 `virtual`이 서로 다르게 나와도 이상하지 않다. 프로그램의 주소를 메모리 쪽 주소로 변환하므로 두 공간의 폭을 따로 설계할 수 있다. 이 출력은 설치된 RAM 용량을 측정한 것도 아니다. 가상 머신에서는 게스트에 노출된 CPU 정보를 보게 된다는 점도 [lscpu 설명서](https://github.com/util-linux/util-linux/blob/master/sys-utils/lscpu.1.adoc)의 범위에 포함된다. 영상이 후속 주제로 남긴 가상 주소 이야기는 한 가지만 더 짚어두면 좋다. x86-64의 4단계 페이징은 48비트, 5단계 페이징은 57비트 선형 주소를 다룬다. Linux 문서에서 말하는 **56비트 사용자 공간**은 이 전체 공간 중 사용자 쪽 범위를 설명하는 값이다. 영상 말미의 Xeon 화면에 적힌 `56 bits virtual`을 x86의 일반적인 주소 폭 정의로 옮기면 이 둘이 섞인다. [Intel SDM](https://www.intel.com/content/www/us/en/developer/articles/technical/intel-sdm.html)과 [Linux의 5단계 페이징 문서](https://www.kernel.org/doc/html/v6.12/arch/x86/x86_64/5level-paging.html)는 전체 주소 폭과 사용자 공간을 구분해 읽어야 한다. 64비트라는 이름 하나로 RAM 용량을 계산하면 중간의 하드웨어와 운영체제가 사라진다. 작은 데이터를 여러 단계로 계산하는 방법, 긴 주소를 조립하는 방법, 가상 주소를 물리 주소로 변환하는 방법이 그 사이에 있다. **CPU의 비트 수는 데이터 처리의 출발점이고, 메모리 한계는 주소 변환과 실제 제품 구성을 따라가야 이해할 수 있다.** 이 구분을 잡아두는 쪽이 “32비트는 4GB”라는 한 문장을 외우는 것보다 오래 쓸 수 있는 지식이다. --- --- id: "authored/9a9a43dd-f4e3-4bf3-acd1-47a4efc5d092" title: "CPU 비트 수·주소 공간·RAM 한계의 원자료" description: "WDC·Intel SDM·Microsoft·Linux 문서로 데이터 폭, PAE, 57비트 주소와 56비트 사용자 공간을 구분한다." kind: "llm-wiki" published: "2026-10-17T16:10:52.835Z" tags: ["computer architecture","메모리"] url: "https://www.readiz.com/llm-wiki/cpu-bit-width-address-space-memory-sources/" markdownUrl: "https://www.readiz.com/llm-wiki/cpu-bit-width-address-space-memory-sources/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/컴퓨터 구조" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2F%EC%BB%B4%ED%93%A8%ED%84%B0+%EA%B5%AC%EC%A1%B0" --- # CPU 비트 수·주소 공간·RAM 한계의 원자료 CPU의 비트 수, 주소의 비트 수, 제품의 최대 RAM 사양을 구분할 때 사용할 원자료를 정리한다. 8비트 CPU의 16비트 주소, 32비트 x86의 PAE, x86-64의 48·57비트 가상 주소는 서로 다른 폭이 공존하는 사례다. ## 먼저 구분할 항목 | 항목 | 뜻 | 다른 항목과 혼동하면 생기는 오류 | | ----------- | ----------------------------- | ------------------------------- | | 기본 정수 데이터 폭 | 범용 정수 레지스터와 연산 모델에서 다루는 폭 | CPU 안의 모든 회로·명령·주소가 같은 폭이라고 생각함 | | 가상·선형 주소 폭 | 프로그램이 사용하는 주소와 페이징 입력의 범위 | 시스템 전체 물리 RAM과 한 프로세스의 공간을 같게 봄 | | 물리 주소 폭 | 주소 변환 이후 하드웨어가 구분하는 물리 주소의 범위 | 주소 공간을 전부 장착 가능한 RAM으로 계산함 | | 제품의 최대 RAM | 컨트롤러·모듈·플랫폼 등의 지원 조건 | 64비트 CPU면 무조건 16EiB를 장착한다고 생각함 | 바이트 주소 지정에서 $n$비트 주소의 공간은 $2^n$바이트다. 이 식의 $n$은 해당 주소의 폭이다. 16비트는 64KiB, 32비트는 4GiB, 36비트는 64GiB, 46비트는 64TiB, 52비트는 4PiB, 64비트는 16EiB다. 제품 사양의 GB·TB 표기와 이진 접두어를 구별한다. ## WDC: 8비트 데이터와 16비트 주소 - [공식 문서 목록](https://www.westerndesigncenter.com/wdc/documentation.php) - [W65C02S 데이터시트 PDF](https://www.westerndesigncenter.com/wdc/documentation/w65c02s.pdf) - 읽을 위치: 5쪽 특징, 6–8쪽 레지스터와 Figure 2-2, 15쪽 4.1절 절대 주소 지정. W65C02S의 데이터 버스·ALU·A·X·Y는 8비트, 주소 버스·프로그램 카운터는 16비트다. 절대 주소 지정 명령에서는 opcode 뒤의 두 바이트가 16비트 주소를 만든다. `STA $0200`의 인코딩은 `8D 00 02`이며, 낮은 주소 바이트가 먼저 온다. ![W65C02S 프로그래밍 모델](https://www.readiz.com/assets/authored/9a9a43dd-f4e3-4bf3-acd1-47a4efc5d092/56069509-6afd-4c8e-baab-1b1ef620a3ab.webp) *8비트 A·X·Y와 16비트 PC의 비교. [WDC 데이터시트, 8쪽 Figure 2-2](https://www.westerndesigncenter.com/wdc/documentation/w65c02s.pdf#page=8)* 이 자료는 초기 MOS 6502와 구별되는 CMOS 계열 W65C02S의 문서다. 같은 계열의 공통 구조를 설명할 때 유용하지만 확장 명령·타이밍·동작 차이를 원래 6502에 그대로 적용하지 않는다. ## Intel: PAE와 구현별 물리 주소 폭 - [Intel SDM 공식 안내](https://www.intel.com/content/www/us/en/developer/articles/technical/intel-sdm.html) - [Volume 3A, 253668-093 PDF](https://cdrdv2-public.intel.com/929359/253668-093-sdm-vol-3a.pdf) - 읽을 위치: 3.3절과 3.3.1절, 인쇄 3-6쪽·PDF 94쪽. CR4.LA57 설명과 페이징 장도 함께 참조. Pentium Pro부터 PAE로 36비트, $2^{36}$바이트의 물리 주소 공간을 지원했다. 현대 Intel 64의 물리 주소 폭은 구현에 따라 달라지며, 3.3.1절은 `CPUID.80000008H:EAX[7:0]`으로 그 폭을 확인하도록 설명한다. “32비트 CPU는 최대 4GiB RAM”을 아키텍처 전체의 불변 법칙으로 삼을 수 없는 직접 근거다. [Microsoft PAE 문서](https://learn.microsoft.com/en-us/windows/win32/memory/physical-address-extension)는 물리 주소 확장 이후에도 32비트 프로세스의 가상 주소 공간은 4GB 범위라는 점을 설명한다. 운영체제 지원과 실제 사용자 영역 제한은 별도로 확인해야 한다. [Windows 가상 주소 공간 문서](https://learn.microsoft.com/en-us/windows/win32/memory/virtual-address-space)는 기본 사용자·시스템 분할을 읽을 때 유용하다. PAE 지원, 운영체제 에디션의 지원, 메인보드의 RAM 확장 한도, 한 프로세스의 가상 주소 공간은 각각 다른 질문이다. ## Intel 4004: 프로그램 메모리와 데이터 RAM - [Intel 4004 원본 데이터시트 PDF — ChipDB 보존본](https://datasheets.chipdb.org/Intel/MCS-4/datashts/intel-4004.pdf) - 읽을 위치: 첫 페이지, 원문 인쇄 8-15쪽. 제조사 원문은 4비트 CPU에서 4K개의 8비트 프로그램 명령어와 5,120비트 데이터 RAM을 구분한다. 전자는 4KiB 프로그램 공간이고 후자는 640바이트다. 문서의 블록도에는 4비트 연산부와 12비트 프로그램 카운터가 함께 나온다. “4004는 4KB RAM”이라고 줄이면 서로 다른 저장 공간을 섞게 된다. 링크는 Intel이 현재 호스팅하는 주소가 아닌 원본 데이터시트의 외부 보존본이다. 배포 시점의 PDF 생성 날짜를 칩의 출시일이나 문서 최초 작성일로 쓰지 않는다. ## 제품 사양은 주소 공간과 다른 숫자다 [Core Ultra 9 285K 공식 사양](https://www.intel.com/content/www/us/en/products/sku/241060/intel-core-ultra-9-processor-285k-36m-cache-up-to-5-70-ghz/specifications.html)은 Instruction Set 64-bit, 최대 메모리 256GB, 메모리 채널 2개를 각각 기재한다. [i5-9600K가 포함된 Intel 비교표](https://www.intel.com/content/www/us/en/products/compare.html?productIds=134896,186604,186605)는 최대 128GB를 기재한다. 확인일은 2026-10-18이며, 각 값은 해당 제품의 사양이다. 이 자료들은 CPU 분류만으로 최대 RAM을 계산할 수 없다는 예다. 특정 시스템의 증설 가능성에는 메인보드의 모듈 지원과 운영체제 조건까지 필요하다. 물리 주소 공간에는 RAM 외의 메모리 매핑 I/O도 포함될 수 있다. Xeon처럼 넓은 제품군은 정확한 모델 없이 특정 최대 RAM 수치를 전체에 적용하지 않는다. ## Linux: 57비트 주소와 56비트 사용자 공간 - [Linux v6.12 문서, 5-level paging](https://www.kernel.org/doc/html/v6.12/arch/x86/x86_64/5level-paging.html) - [util-linux lscpu 설명서 원문](https://github.com/util-linux/util-linux/blob/master/sys-utils/lscpu.1.adoc) Intel SDM의 CR4.LA57 설명은 4단계 페이징의 48비트 선형 주소와 5단계 페이징의 57비트를 구분한다. Linux 문서의 56비트는 사용자 공간에 관한 표현이다. 전체 가상 주소 공간과 사용자 쪽 범위를 혼용하지 않는다. 5단계 페이징 지원 여부와 실제 활성화 상태, 프로세스의 매핑 범위도 서로 같지 않다. Linux에서는 다음 명령으로 시스템에 보고된 주소 폭을 확인할 수 있다. ```sh LC_ALL=C lscpu | grep 'Address sizes' ``` `physical`과 `virtual`은 각 주소의 폭이며 설치된 RAM 용량이 아니다. 가상 머신에서는 게스트에 노출된 정보일 수 있다. 출력이 없으면 전체 `LC_ALL=C lscpu`와 환경의 지원 여부를 확인한다. 이 명령을 macOS 기본 명령으로 안내하지 않는다. ## 영상과 원자료를 함께 읽을 때 [Core Dumped, You've Been Lied To About 64-Bit CPUs](https://www.youtube.com/watch?v=bV3GD--FHu8), 2026-10-16 게시, 13분 29초. 데이터 폭과 주소 폭의 분리를 설명하는 입문 자료다. 6분대 주소 조립과 8분대 가변 길이 명령어 예가 유용하다. 화면의 세부 표기는 원자료와 대조한다. 4004의 `4 KB RAM`은 위의 프로그램·데이터 메모리 구분으로 보정해야 한다. 6502 예시의 `4C 09 80`은 `$8009`로 점프하는 바이트열이므로 같은 행의 `$800B` 표기와 맞지 않는다. 32비트 x86 레지스터는 EAX·EBX 등이며 AX·BX는 16비트 이름이다. 말미 Xeon의 `56 bits virtual`은 표준 LA57의 57비트 전체 주소 폭과 구분한다. 이러한 표기 문제와 “CPU의 데이터 폭이 주소 폭을 자동으로 결정하지 않는다”는 핵심 설명의 타당성은 나눠 판단한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/715a8f1e-d93b-4521-a8fc-9ca72b5af765" title: "경제·금융 자료 찾아보기: 주제·지표·보고서 지도" description: "금리·주택·산업·노동·기업공시·국제재정 자료를 질문과 원문 식별자로 찾는다. BOK·KDI·국토연구원·IMF·OECD 보고서와 통계의 상세 문서로 연결한다." kind: "llm-wiki" published: "2026-10-17T13:14:13.869Z" tags: ["경제자료","자료 지도","원문","보고서"] url: "https://www.readiz.com/llm-wiki/economic-research-topic-source-index/" markdownUrl: "https://www.readiz.com/llm-wiki/economic-research-topic-source-index/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/자료 안내" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%90%EB%A3%8C+%EC%95%88%EB%82%B4" --- # 경제·금융 자료 찾아보기: 주제·지표·보고서 지도 이 문서는 경제·금융 자료를 질문과 원문 식별자로 찾는 지도다. 자료의 상세 해설과 도표는 각 주제 문서에 모으고, 여러 글에서 같은 자료를 사용해도 같은 문서를 갱신한다. ## 주제·질문에서 찾기 | 분야 | 자료 문서 | 원문·지표·검색어 | | ----- | ------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------- | | 금리·주택 | [미국 국채·정책 기대](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/) | Treasury Par Yield Curve Rates; CME FedWatch; 연준 기간 프리미엄 모형 | | 금리·주택 | [은행 대출·가계신용](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/) | 한국은행 금융기관 가중평균금리; 신규·잔액; 주담대; 원리금 균등상환 | | 금리·주택 | [주택가격과 금리 연구](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/) | 국토정책Brief 902호; WP 22-09; IMF WEO April 2024 Chapter 2 | | 금리·주택 | [ECB TPI](https://www.readiz.com/llm-wiki/ecb-tpi-eligibility-fiscal-sustainability/) | Transmission Protection Instrument; 과도한 적자 절차 | | 산업·투자 | [월별 산업활동](https://www.readiz.com/llm-wiki/industrial-activity-indicators/) | 전산업생산; 소매판매; 설비투자; 계절조정 | | 산업·투자 | [반도체 수요·공급](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/) | 무역지수; Gartner; IDC; TSMC; CXMT; HBM 생산능력 | | 산업·투자 | [반도체의 국내 파급](https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/) | BOK 이슈노트 2026-16; GDP·GDI; 취업유발계수 | | 산업·투자 | [AI 투자 재무](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/) | Microsoft FY2026; Micron 10-K; CAPEX·OCF; take-or-pay | | 산업·투자 | [데이터센터 인허가](https://www.readiz.com/llm-wiki/data-center-permits-power-grid/) | ERCOT; TCEQ; 뉴욕주 행정명령 62호; 전력망 | | 산업·투자 | [서비스업 생산성과 실증](https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/) | OECD Korea 2024 Figure 3.4; 광주 자율주행; 의료데이터 | | 노동·지역 | [AI와 청년고용](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/) | BOK 이슈노트 2026-19; AI 노출도; 자동화·증강 | | 노동·지역 | [정년·은퇴 통계](https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/) | KDI 정책포럼 277; 고령층 부가조사; 주된 일자리 이탈 | | 노동·지역 | [교육·지역 정주](https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/) | BOK 이슈노트 2024-26·2024-15; 일반고; 가족동반 이주 | | 기업·거래 | [자사주·주주환원 공시](https://www.readiz.com/llm-wiki/shareholder-return-disclosures/) | 자기주식 취득·소각·보상; 삼성전자; SK하이닉스; IPO·ADR | | 기업·거래 | [시장 수급과 환율](https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/) | 거래대금·순매수·예탁금; 넥스트레이드; 원·달러 | | 기업·거래 | [미국 시간외 거래](https://www.readiz.com/llm-wiki/us-extended-hours-trading/) | NYSE Arca; ATS; Robinhood; extended-hours trading | | 기업·거래 | [AI 투자도구](https://www.readiz.com/llm-wiki/ai-investment-tools-evidence/) | 제품 기능·원문 검증·투자 성과; SEC·NASAA·FINRA | | 국제·재정 | [해외투자와 환율](https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/) | BOK 이슈노트 2026-15; 유량·잔액·투자소득 | | 국제·재정 | [프랑스 재정](https://www.readiz.com/llm-wiki/france-fiscal-debt-insee-aft-source-guide/) | INSEE Informations rapides 239; AFT; 일반정부 부채·국가 조달 | | 국제·재정 | [프랑스 연금](https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/) | 개시 연령; taux plein; 가입 분기 | | 국제·재정 | [EU 무역비용](https://www.readiz.com/llm-wiki/imf-eu-trade-cost-tariff-equivalents-2024/) | IMF Europe REO 2024 Box 1.2; 44%·110%; 관세 환산치 | ## 원자료를 찾는 순서 제목이 기억나면 자료명이나 보고서 번호로, 현상만 기억나면 지표·주제 이름으로 찾는다. 예를 들어 `2026-19`는 AI와 청년고용 연구, `WP 22-09`는 주택가격의 금리 반응 시차, `금융기관 가중평균금리`는 은행 대출 통계로 이어진다. 표의 원문 식별자는 비슷한 이름의 뉴스나 다른 보고서와 구별하는 기준이다. 자료를 다시 쓸 때는 원기관 상세 페이지에서 발간일과 버전을 확인하고, 문서가 기록한 관측 기간·분모·단위·표와 그림 번호를 함께 읽는다. 현재 판단에 필요한 수치만 후속 발표로 갱신하며, 과거 수치의 당시 기준을 지우지 않는다. ## 자료의 역할을 구분한다 - **통계:** 관측 대상·기간·단위·조정 여부와 개정 이력을 확인한다. - **연구:** 저자·표본·모형·가정과 인과해석의 범위를 확인한다. - **정책·공시:** 발표·결정·시행·집행을 구분한다. - **제품·영상:** 실제 기능·경험·해석과 별도로 검증된 성과·공식 통계를 구분한다. 같은 주제에 새 원문을 더할 때는 관련 문서를 먼저 찾아 정의와 기존 자료를 보완한다. 서로 다른 질문에 답하는 자료는 별도 문서로 두고 관련 링크로 연결한다. 원문 하나가 여러 질문에 쓰인다면 필요한 문서에서 서로 다른 활용 위치를 설명할 수 있다. ## 함께 찾을 자료 [한국은행 원자료의 입구](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [한국 경제·기업의 질문별 지도](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/) 자료 지도 정리: 2026년 10월 17일. 각 자료의 관측·확인 날짜는 해당 문서에 남긴다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/1d29dc13-5087-4cee-97b3-b0dce62bff12" title: "AI 투자도구의 증거 읽기: 제품 기능과 투자 성과 구분" description: "Robinhood AI 기능 발표와 SEC·NASAA·FINRA 안내를 바탕으로 자동화 범위·권한·원문 검증과 성과 주장을 나눈다." kind: "llm-wiki" published: "2026-10-17T13:06:50.770Z" tags: ["AI 투자도구","Robinhood","투자 정보","SEC"] url: "https://www.readiz.com/llm-wiki/ai-investment-tools-evidence/" markdownUrl: "https://www.readiz.com/llm-wiki/ai-investment-tools-evidence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # AI 투자도구의 증거 읽기: 제품 기능과 투자 성과 구분 AI가 제공하는 투자 정보와 자동화 기능을 검토할 때 쓰는 자료다. 제품이 어떤 동작을 지원하는지와 투자 성과가 입증됐는지는 서로 다른 질문이다. 찾을 때 쓸 이름: AI 투자도구, 투자 정보, 전략 실행, 수동 거래 승인, SEC NASAA FINRA artificial intelligence fraud. 자료 확인 기준: 2026년 10월 16일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 제품 발표와 투자자 안내 [Robinhood HOOD Summit 2026 발표](https://robinhood.com/newsroom/hood-summit-2026/)는 AI가 정보 분석과 전략 실행을 돕는 기능, 별도 계정과 사용자가 정하는 한도, 수동 거래 승인의 기본 설정을 설명한다. 이는 제품의 작동 방식에 관한 자료다. 투자 성과나 초과수익을 입증하는 실험 결과가 아니다. [SEC·NASAA·FINRA의 AI와 투자 사기 공동 안내](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-alerts/artificial-intelligence-fraud)는 AI가 오래되거나 잘못된 정보를 사용할 수 있고 결과 자체도 틀릴 수 있음을 설명한다. 보고서에 매끄러운 문장이 있다는 사실보다 원문 존재 여부, 날짜, 수치 정의를 먼저 점검한다. ## 기능·자료·성과를 나누어 확인한다 | 질문 | 확인할 근거 | | ------------------ | --------------------------- | | 도구가 무엇을 실행할 수 있는가 | 제품 설명, 사용자 한도·권한과 승인 설정 | | 분석에 쓴 정보가 실제 존재하는가 | 원문 URL, 자료 날짜, 지표 정의와 인용 범위 | | 투자 성과를 냈는가 | 검증 가능한 성과 자료의 기간·비용·비교 기준 | 제품 소개에 나온 자동화 기능은 투자 성과의 실험 결과가 아니다. 과거 발표의 기본 설정도 현재 계정의 실제 설정을 확인한 결과로 대체할 수 없다. ## 함께 찾을 자료 [거래 시간과 주문 실행 조건](https://www.readiz.com/llm-wiki/us-extended-hours-trading/) · [AI 기업 매출·투자액의 회계 정의](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/00841df8-4a4b-4f0c-a038-fd586774f216" title: "미국 시간외·24시간 거래: 거래소·ATS·증권사 서비스 구분" description: "NYSE Arca, Robinhood, SEC 안내에서 주말·야간 거래의 승인·시작 상태, 종목·주문 범위와 체결 위험을 읽는다." kind: "llm-wiki" published: "2026-10-17T13:04:55.151Z" tags: ["시간외 거래","24시간 거래","NYSE Arca","ATS","Robinhood"] url: "https://www.readiz.com/llm-wiki/us-extended-hours-trading/" markdownUrl: "https://www.readiz.com/llm-wiki/us-extended-hours-trading/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 미국 시간외·24시간 거래: 거래소·ATS·증권사 서비스 구분 미국 주식의 거래 시간을 조사할 때 사용하는 시장 구조와 운영 상태 자료다. 서비스 발표, 규제 검토·승인, 실제 시작을 구분하고 거래소와 증권사 서비스를 따로 확인한다. 찾을 때 쓸 이름: extended-hours trading, 24시간 거래, 주말 거래, NYSE Arca, ATS, Robinhood. 자료 확인 기준: 2026년 10월 16일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 24시간 거래: 서비스·거래소·적용 종목을 구분한다 자료를 읽을 때 핵심 구분은 ‘발표’, ‘규제 검토 또는 승인’, ‘실제 시작’이다. 같은 24시간이라는 표현이라도 주말 포함 여부와 실행 장소가 다를 수 있다. | 자료 | 확인할 내용 | 잘못 넓히기 쉬운 해석 | | --------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ----------------------------------- | | [Robinhood HOOD Summit 2026, 9월 29일](https://robinhood.com/newsroom/hood-summit-2026/) | 일부 미국 주식·ETF의 주말 거래 계획, 규제 검토 조건, 서비스 대상 | 미국 상장주 전체의 주 7일 거래가 이미 시작됐다는 해석 | | [NYSE Arca Extended Hours Trading](https://www.nyse.com/trade/equities/extended-hours-trading) | 별도 거래소의 세션과 인프라 준비, 승인 상태 | 증권사의 ATS 서비스와 거래소 계획을 같은 제도로 보는 해석 | | [SEC Extended-Hours Trading, 2022년 6월 6일](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-bulletins-42) | 유동성, 호가 차이, 시장 간 가격, 주문 처리와 유효기간 | 주문할 수 있으면 정규장과 같은 가격·체결 품질을 얻는다는 해석 | 거래소 안내에 표시된 시간은 해당 시간대 기준으로 읽고, 한국 시각으로 옮길 때 서머타임을 확인한다. 고객이 실제로 거래 가능한 종목과 주문 방식은 이용하는 증권사의 현재 안내로 확인해야 한다. 과거의 투자자 안내는 위험의 구조를 이해하는 자료로 쓰며, 현재 특정 서비스의 지원 기능을 확정하는 자료로 쓰지 않는다. ## 함께 찾을 자료 [미국 국채금리와 정책 기대](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/51fd0e90-a306-478f-972a-30f78ec295bf" title: "시장 수급 지표 읽기: 거래대금·순매수·예탁금·환율" description: "거래 활동과 자금 흐름, 국민연금 목표 비중, 가격지수의 낙폭과 회복 계산을 기간과 분모에 맞춰 읽는다." kind: "llm-wiki" published: "2026-10-17T13:02:07.059Z" updated: "2026-11-07T13:03:51.686Z" tags: ["거래대금","순매수","예탁금","환율","수급"] url: "https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/" markdownUrl: "https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 시장 수급 지표 읽기: 거래대금·순매수·예탁금·환율 시장 활동의 크기와 자금의 방향을 서로 다른 지표로 읽는 자료다. 거래대금, 순매수, 예탁금과 환율을 같은 종류의 숫자로 쓰지 않는다. 찾을 때 쓸 이름: 거래대금, 순매수, 순유출, 예탁금, 코스피, 코스닥, 넥스트레이드, 원·달러 환율. 2026년 10월 14일 확인한 수급과 환율 자료를 유지하고, 11월 7일 낙폭과 회복 기간, 국민연금 자료를 추가했다. 각 수치의 관측일과 발표일은 본문에 적었다. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 시장 도표: 거래대금은 자금 유출액이 아니다 [김단테의 2026년 10월 13일 영상](https://www.youtube.com/watch?v=hzomN7wiW_8) 10:31의 월별 거래대금 도표는 **코스피·코스닥 합산, 넥스트레이드 포함**이다. 코스피 단독 수치와 직접 비교하지 않으며 월별 거래일 수에도 주의한다. 거래대금은 매매 활동의 크기이고 예탁금 잔액이나 순유출 자금이 아니다. 호가의 매수 잔량이나 투자주체별 순매매를 주장하려면 해당 자료를 추가해야 한다. 같은 영상 13:58의 환율 화면에는 기간 고점 1,561.5원, 저점 1,331.3원, 촬영 시 표시 값 1,341.40원이 함께 있다. 기간 극값과 현재 값, 장 마감 환율을 섞지 않는다. 환율이 수출기업의 원화 실적에 미치는 효과와 외국인 보유 주식의 달러 환산 수익률도 구별한다. 달러 매출이 일정하다는 단순 계산은 비용·환헤지를 반영한 이익 전망을 대신할 수 없다. ## 재사용할 때 남길 정의 | 비교 항목 | 함께 기록할 기준 | | --------- | --------------------------- | | 거래대금 | 시장·거래소 포함 범위, 집계 기간과 거래일 수 | | 투자주체 매매 | 순매수·총매수 구분, 금액·주식 수, 주체 분류 | | 예탁금·자금 흐름 | 특정 시점 잔액과 기간 유입·유출을 구분 | | 환율 | 통화쌍, 일중·종가·평균, 기간 극값과 관측 시각 | 영상 수치는 해석 오류를 설명하는 사례다. 현재 값이 필요하면 해당 시장 통계에서 동일한 정의로 다시 조회하고, 출처가 확인되지 않은 도표를 공식 통계로 승격하지 않는다. ## 고점 대비 낙폭과 회복 기간 낙폭은 기준 고점에서 현재까지 지수가 얼마나 내려왔는지를 보여 준다. 계산식은 `(현재 지수 ÷ 기준 고점 − 1) × 100`이다. 원래 수준에 도달하기 위해 필요한 상승률은 `(기준 고점 ÷ 현재 지수 − 1) × 100`이다. 영상에서 제시한 2026년 6월 22일 코스피 종가 고점 9,114.55와 11월 6일 종가 5,059.69를 적용하면 낙폭은 약 44.5%이고, 고점을 회복하려면 현재 값에서 약 80.1% 올라야 한다. 두 종가는 [박종훈의 2026년 11월 7일 영상](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=22s)의 화면 제시치이며, 낙폭과 필요한 상승률은 위 식으로 계산했다. 6월 22일 종가 9,114.55는 [한국거래소의 6월 23일 거래 중단 공시](https://kind.krx.co.kr/external/2026/06/23/000346/20260623000852/99443.htm)에 적힌 전일 종가에서도 확인된다. 하락률이 44.5%라는 말과 원상회복에 44.5% 상승이 필요하다는 말은 다르다. 기준 고점을 100으로 놓으면 44.5% 하락 후 값은 55.5이고, 여기서 100으로 돌아가는 상승률은 `(100 ÷ 55.5 − 1) × 100`이다. 고점, 저점, 현재값의 기준이 같아야 이 계산을 적용할 수 있다. 회복 기간도 출발점을 밝혀야 한다. 고점에서 다시 고점을 넘을 때까지 걸린 기간과 저점에서 이전 고점을 회복할 때까지 걸린 기간은 서로 다르다. 영상이 든 2020년 사례도 1월 고점에서 8월 고점 회복까지 약 7개월, 3월 저점에서 8월까지 약 5개월로 집계된다. 가격지수는 배당 재투자 수익과 물가에 따른 구매력 변화를 포함하지 않으므로, 총수익과 실질 수익을 따질 때는 별도 지표와 기준을 사용한다. S\&P Dow Jones Indices는 현대 500종목 지수를 1957년에 도입했으며, 1929년 수치는 지수가 당시 실시간으로 산출됐다는 뜻이 아니라 과거 자료를 소급해 구성한 계열에 해당한다. [S\&P 500 지수의 역사](https://www.spglobal.com/spdji/en/documents/education/spdji-where-it-all-began.pdf)와 [지수 산식 안내](https://www.spglobal.com/spdji/en/documents/methodologies/methodology-index-math.pdf)를 볼 때도 가격지수와 배당 재투자를 반영하는 총수익지수를 구별한다. 과거 낙폭과 회복 사례를 비교할 때에는 지수, 고점의 기준, 저점과 회복일, 배당 처리, 관측 기간을 맞춘다. 외국인 순매도액도 기간뿐 아니라 시장 범위와 당시 시장 규모에 견주어 해석한다. 과거 위기와 비교할 때는 순매도액을 같은 시장의 시가총액이나 거래대금에 견주어 규모를 맞춘다. ## 국민연금의 목표 비중과 실제 매매 보건복지부가 공개한 [2026년도 제5차 국민연금기금운용위원회 결정](https://www.korea.kr/news/policyNewsView.do?newsId=148965365)에 따르면 2026년 국내주식 목표 비중은 기존 14.9%에서 20.8%로 조정되어 6월 말부터 적용됐다. 2027년 목표도 20.8%다. 기금위는 국내주식 전략적 자산배분(SAA)의 허용범위를 한시 확대하고 일일 최대 리밸런싱 규모를 축소했으며, 허용범위 자체는 공개하지 않았다. 목표 비중은 특정 날짜에 매수할 금액을 정해 주지 않는다. 실제 비중은 기금의 전체 자산과 자산별 가격 변동에 따라 달라지고, 허용범위 안에서는 목표와 차이가 있어도 바로 같은 규모로 사고팔 필요가 없다. 따라서 목표 비중과 현재 비중 추정치의 차이는 실제 주문과 시점을 확인하는 출발점이다. 거래소의 투자자별 매매 통계에 표시되는 ‘연기금등’은 시장 수급을 분류한 항목이다. 국민연금 한 기관의 보유량과 목표 비중이나 향후 주문을 직접 나타내는 값과 구분한다. 보유 비중, 기금위의 정책 목표, 기간별 연기금 매매는 각각 다른 질문에 답한다. ## 함께 찾을 자료 [자사주 공시와 실제 집행](https://www.readiz.com/llm-wiki/shareholder-return-disclosures/) · [해외투자 유량·잔액과 환율](https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/fd2bf0d0-ea16-4617-825d-0a07753af52c" title: "데이터센터 인허가와 전력망: 텍사스·뉴욕주 규제 자료" description: "텍사스와 뉴욕주의 데이터센터 허가, ERCOT 전력망 접속 절차, 신청 용량과 실제 가동 계획을 구분한다." kind: "llm-wiki" published: "2026-10-17T12:59:34.137Z" updated: "2026-11-07T12:49:23.219Z" tags: ["데이터센터","인허가","전력망","ERCOT","뉴욕"] url: "https://www.readiz.com/llm-wiki/data-center-permits-power-grid/" markdownUrl: "https://www.readiz.com/llm-wiki/data-center-permits-power-grid/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 데이터센터 인허가와 전력망: 텍사스·뉴욕주 규제 자료 데이터센터 증설 계획이 실제 가동으로 이어질 수 있는지 조사할 때 사용하는 인허가 자료다. 전력망 접속, 환경 허가, 지방정부 허가와 해제 조건을 구분한다. 찾을 때 쓸 이름: 데이터센터 인허가, ERCOT, TCEQ, 뉴욕주 행정명령 62호, 50MW, 모라토리엄. 2026년 10월 12일 확인한 텍사스와 뉴욕주 자료를 유지하고, 11월 7일 ERCOT 전력망 심사와 선거 자료를 추가했다. 각 자료의 발표일은 본문에 적었다. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 데이터센터: 발표된 투자와 실제 인허가를 연결한다 텍사스의 [8월 3일 전력망 연결 감사 지시](https://gov.texas.gov/news/post/governor-abbott-directs-comprehensive-data-center-audit)와 [9월 21일 데이터센터 인허가 중단 지시](https://gov.texas.gov/news/post/governor-abbott-directs-tceq-to-halt-data-center-permits)는 시점과 담당 기관이 다르다. 후자는 ERCOT 감사가 끝날 때까지 TCEQ의 데이터센터 인허가를 중단하도록 했다. 후속 보고 예정일을 자동 해제일로 읽지 않는다. [뉴욕주 행정명령 62호](https://www.governor.ny.gov/executive-order/no-62-establishing-temporary-moratorium-data-centers-new-york-while-state-develops)는 7월 14일 발령됐다. 원칙적으로 50MW 이상 데이터센터를 대상으로 하며, 발령 전까지 완비 판정을 받지 못한 DEC 관할의 해당 허가 신청 등을 최종 환경영향 검토 제출 때까지 보류한다. 제조·연구·교육·의료 시설의 정의상 예외와 지방정부 허가의 적용 제외도 원문에 있다. 읽을 순서는 **발령일→시행 기관→대상 시설→예외→해제 조건**이다. 후보의 공약과 실제 행정명령, 전력망 접속과 환경 허가도 나눈다. 인허가 제한의 반도체 영향은 고객의 부지·전력 확보, 가동 일정, 장비 발주와 납품 시점의 변화로 확인한다. ## 전력망 접속 신청과 실제 가동 용량 ERCOT의 [2026년 6월 18일 발표](https://www.ercot.com/news/release/06182026-puct-approves-ercots)는 PUCT가 승인한 Batch Zero 절차를 설명한다. 75MW 이상 대형 부하의 전력망 연결 신청을 묶어 심사하는 방식이다. ERCOT은 추적 중인 43만 8천MW 초과 신청 용량 가운데 약 89%가 데이터센터라고 밝혔다. 이는 신청 단계의 물량이다. 같은 발표는 모든 신청이 실제 건설로 이어지는 것은 아니라고 설명한다. [4월 15일 발표한 예비 장기 부하 전망](https://www.ercot.com/news/release/04152026-ercot-releases-preliminary)도 실제 건설을 확정하는 수요 전망으로 읽지 않는다. 건설 계획과 연결 신청, 예비 전망은 계통 검토와 정책 논의를 위한 입력값이 될 수 있으며, 허가와 금융 조달, 공사, 전력 공급이 확인된 가동 용량과 구분해야 한다. 대기 신청을 그대로 합산해 데이터센터 건설량이나 반도체 주문량으로 바꾸면 실제 수요를 크게 과장할 수 있다. ## 선거 결과와 인허가 조치의 연결 [텍사스주 선거관리국의 2026년 주지사 선거 결과](https://electionresults.sos.state.tx.us/results.html)는 유권자의 선택을 확인하는 자료다. 선거 뒤 데이터센터 정책의 적용을 살필 때에는 당선 결과, 취임 시점, 공약을 담당하는 기관의 실제 명령, 대상 시설과 기존 사업의 예외, 해제 절차를 차례로 확인한다. 선거 결과만으로 신규 허가의 중단이나 건설 지연을 확정할 수는 없다. 부지와 전력 확보, 허가와 건설 일정은 서버와 반도체의 발주 계획을 정한다. 장비 납품과 설치를 거쳐 실제 가동에 이르므로, 수요 시점을 추정할 때는 지연된 단계와 발주 변경을 연결한다. [박종훈의 2026년 11월 7일 영상](https://www.youtube.com/watch?v=vNeSr5ZRIc8\&t=1180s)은 허가가 6개월 늦어지면 2027년 하반기 HBM 가격에 영향을 줄 수 있다는 시나리오를 제시했다. 이를 평가하려면 개별 프로젝트 일정, 발주 취소나 연기, 계약 조건과 공급 상황을 함께 확인한다. ## 사업 일정에 연결하는 방법 정책의 적용 범위와 개별 사업의 진행 상태를 따로 기록한다. 허가 신청일·완비 판정·기존 허가 여부, 시설 용량과 용도, 전력 계약, 예정 가동일을 맞춰야 특정 프로젝트에 적용되는지 판단할 수 있다. 과거 발표를 근거로 현재 모든 데이터센터 공사가 중단됐다고 일반화하지 않는다. ## 원문 파일과 버전 2026년 10월 12일 확보한 파일의 식별 정보다. 다운로드는 원기관으로 연결하며, 후속 개정본은 관측 기간·발표일과 해시를 구분해 남긴다. | 자료·발표일 | 원기관 파일 | 크기 | SHA-256 | | ------------------------- | ------------------------------------------------------------------------ | --------: | ------------------------------------------------------------------ | | 뉴욕주 행정명령 62호 · 2026-07-14 | [PDF](https://www.governor.ny.gov/sites/default/files/2026-07/EO_62.pdf) | 284,800 B | `421e99543c6c580a138d49bd3c483ccee02d646e063fc84183fe333da35def9d` | ## 함께 찾을 자료 [AI 설비투자와 재무지표](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/) · [반도체 수요·공급 지표](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/e41d5a0f-e782-4e36-afe0-ec718bf1106a" title: "AI 설비투자와 재무지표: CAPEX·현금흐름·매출·장기계약" description: "Microsoft FY2026 현금흐름·리스, Micron 2026 10-K 고객계약, 연환산 매출과 AI 생산성 효과를 구분한다." kind: "llm-wiki" published: "2026-10-17T12:58:14.258Z" updated: "2026-10-18T05:01:38.054Z" tags: ["AI","CAPEX","현금흐름","Microsoft","Micron","매출"] url: "https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/" markdownUrl: "https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # AI 설비투자와 재무지표: CAPEX·현금흐름·매출·장기계약 AI 투자 부담과 성과를 비교할 때 사용하는 회계 항목과 계약 자료다. 투자 예상액, 현금 지출, 리스, 영업현금흐름, 기간 매출, 공급 계약을 같은 기준으로 읽는다. 찾을 때 쓸 이름: CAPEX, OCF, 잉여현금흐름, 금융리스, Microsoft FY2026, Micron 2026 10-K, take-or-pay, 연환산 매출. 자료 확인 기준: 2026년 10월 16일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## AI 투자 재원: 영업현금흐름과 현금 설비투자를 같은 기간으로 비교한다 [Microsoft FY2026 Q4 실적 발표](https://www.microsoft.com/en-us/investor/earnings/fy-2026-q4/press-release-webcast)의 연결 현금흐름표는 6월 30일로 끝난 분기와 연간 열을 함께 제공한다. 분기·연간을 섞지 않고, 현금 유형자산 취득액을 영업현금흐름에서 차감한다. 아래 비교는 회사 전체 수치이며 AI 사업의 독립 손익이나 투자수익률을 산출한 것이 아니다. ![Microsoft의 영업현금흐름과 현금 설비투자 비교](https://www.readiz.com/assets/authored/e41d5a0f-e782-4e36-afe0-ec718bf1106a/b6d1e5df-5639-44c1-ae7e-271c0bb2c320.webp) *Microsoft FY2025·FY2026 Q4 연결 현금흐름표로 계산. 단위는 십억 달러. 잉여현금흐름은 영업현금흐름 − 현금 유형자산 투자로 정의했다.* | 6월 말 종료 분기 | 영업현금흐름 | 현금 유형자산 투자 | 차감 후 현금 | | ---------- | -----: | ---------: | ------: | | FY2025 Q4 | 42.647 | 17.079 | 25.568 | | FY2026 Q4 | 55.441 | 35.802 | 19.639 | 영업현금흐름은 약 30.0% 늘었지만 위 정의의 잉여현금흐름은 약 23.2% 줄었다. [동일 분기 설명회](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4)에서 쓰는 금융리스 포함 설비투자와 현금흐름표의 현금 지출은 범위가 다르다. 분자·분모의 정의와 회계연도를 보존해야 차입 필요성이나 투자 부담을 비교할 수 있다. [Morgan Stanley의 2026년 8월 21일 분석](https://www.morganstanley.com/insights/podcasts/thoughts-on-the-market/ai-financing-credit-markets-vishy-tirupattur)은 투자 증가와 자금 조달 수요를 연결한다. [J.P. Morgan Asset Management의 8월 20일 분석](https://am.jpmorgan.com/gb/en/asset-management/institutional/insights/market-insights/market-updates/on-the-minds-of-investors/hyperscaler-debt-issuance-ai-buildout/)은 외부 조달 확대와 추가 차입 여력을 함께 평가한다. 조달 규모 증가, 조달 금리 상승, 자금 공급 중단은 별개 명제다. 전망 보고서만으로 현재 투자가 중단됐다고 결론 내리지 않는다. ## AI 투자액과 장기계약: 금액의 정의와 계약 조건을 확인한다 [Microsoft FY2026 Q3 설명회](https://www.microsoft.com/en-us/Investor/events/fy-2026/earnings-fy-2026-q3)는 달력연도 2026년 투자 예상액 1,900억 달러에 부품가격 상승분 약 250억 달러가 포함된다고 설명한다. [Q4 설명회](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4)의 약 1,750억 달러는 건물 내용연수 변경에 따른 일부 리스 재분류를 반영한다. 회사는 기초적인 투자 기대를 유지했다. 두 금액의 차이를 그대로 물리적 시설투자 감축으로 계산하지 않는다. [Micron 2026년 10-K](https://www.sec.gov/Archives/edgar/data/723125/000072312526000023/mu-20260903.htm)의 Strategic Customer Agreements 및 Note 16은 다년간 물량 약정, take-or-pay, 다수 계약의 가격 상·하한을 설명한다. 위험요인에는 고객 약정 불이행·분쟁·재고 누적이 포함된다. 계약 기간뿐 아니라 적용 물량, 가격 조정, 이행 조건을 확인해야 한다. [FRED의 CCC 이하 회사채 유효수익률](https://fred.stlouisfed.org/series/BAMLH0A3HYCEY)은 2026년 10월 12일 17.36%였다. 신용등급별 회사채 지수 수익률이며 모든 AI 업체의 실제 차입금리는 아니다. 시장 지수와 개별 기업의 신규 조달 조건을 구분한다. 수출금액·물량지수·기기 출하를 비교하는 정의와 원자료는 [반도체 수요·공급 지표: 수출 가격·물량·출하·생산능력](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/)에서 확인할 수 있다. ## 코어위브: 표면금리와 시장수익률을 구분한다 [CoreWeave의 2026년 9월 18일 공시](https://www.sec.gov/Archives/edgar/data/1769628/000176962826000432/ex991pricing.htm)는 2033년 만기 전환사채 37억 달러의 표면금리를 2.875%로 제시한다. 공시는 별도로 기존 일반 선순위 채권의 8.5–9.75% 표면금리도 열거한다. 전환권이 포함된 채권과 일반 회사채는 조건이 다르므로 쿠폰만으로 조달 여건을 비교하지 않는다. 기존 채권의 시장가격 하락으로 만기수익률이 상승해도 고정 쿠폰 지급액은 즉시 바뀌지 않는다. 차환과 신규 발행의 조건이 실제 이자 지출로 전달되는 시점을 구분해야 한다. 기사에서 제시한 수익률에는 종목, 만기, 관측일, 가격과 수익률 종류가 필요하다. 창업자 매도 합계는 Form 4 등에서 기간, 매도 주체, 거래 유형, 직접 및 간접 보유, 사전 계획 여부를 따로 집계해야 하며 매도 자체만으로 회사의 투자 중단을 확정하지 않는다. 자료 확인: 2026년 10월 18일. ## 매출의 기간과 회계 인식 매출 자료에서는 다음 개념을 구별한다. | 개념 | 뜻 | 비교할 때 필요한 조건 | | -------- | ----------------------------- | ----------------------- | | 확정 기간 매출 | 지나간 특정 기간에 인식한 매출 | 동일 기간, 연결 범위, 회계 기준 | | 연환산 매출 | 특정 기간의 매출 속도를 1년 규모로 환산한 값 | 어떤 월·분기를 환산했는지, 일회성 요인 | | 총액·순액 인식 | 중개자 등을 거친 거래에서 어떤 금액을 매출로 잡는지 | 거래 관계와 회계 처리의 동일성 | | 현금흐름 | 실제 현금의 유입과 유출 | 매출 인식 시점, 설비투자·차입·지급 조건 | 서로 다른 기간이나 인식 범위의 두 매출 수치를 빼서 성장 둔화나 감소액으로 쓰지 않는다. 수요의 변화와 표시 방식의 차이를 먼저 분리해야 한다. ## 기업 투자에서 물가·생산성으로 연결할 때 [리사 쿡 연준 이사, An Update on AI and the Economy, 2026년 9월 28일](https://www.federalreserve.gov/newsevents/speech/cook20260928a.htm)은 AI 설비 수요가 주는 단기 비용 압력과 생산성의 장기 효과, 그 사이의 시차를 설명한다. 부문별 가격 상승과 경제 전반의 물가 압력을 나누어 읽는 데 유용하다. 생산성이 공급 능력뿐 아니라 소득·투자 수요도 높일 수 있으므로, ‘생산성 향상 = 즉각적인 물가 하락’이라는 등식으로 쓰지 않는다. 이 자료는 연설자의 경제 분석과 전망이며 FOMC의 확정된 단일 전망이 아니다. ## 함께 찾을 자료 [반도체 수출·수요·공급 지표](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/) · [서비스업 생산성과 실증 제도](https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/) · [한국 경제·기업 자료 지도](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/dcadb911-cd2e-4e5e-89b5-02441b6b8cd5" title: "자사주·주주환원 공시 읽기: 취득·소각·보상·지분 변화" description: "삼성전자·SK하이닉스 공시에서 매입 목적과 집행, 배당·소각, IPO·ADR, 지분 승인과 주식 평가 기준을 구분한다." kind: "llm-wiki" published: "2026-10-17T12:56:40.227Z" tags: ["자사주","주주환원","공시","삼성전자","SK하이닉스","지분"] url: "https://www.readiz.com/llm-wiki/shareholder-return-disclosures/" markdownUrl: "https://www.readiz.com/llm-wiki/shareholder-return-disclosures/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 자사주·주주환원 공시 읽기: 취득·소각·보상·지분 변화 기업의 환원과 지분 변화를 조사할 때 사용하는 공시 읽기 기준이다. 취득 결정, 실제 매입, 소각, 배당, 자금 조달 검토와 확정 결정을 구분한다. 찾을 때 쓸 이름: 자기주식 취득, 자사주 소각, 임직원 주식보상, 주주환원, Solidigm, ADR, 금융산업의 구조개선에 관한 법률 제24조. 공시는 2026년 10월 14일까지, 법령은 2026년 10월 13일에 확인한 자료다. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 자사주: 공시의 목적·기간·잔여 금액을 각각 읽는다 [삼성전자 8월 21일 자기주식 취득 결정](https://www.samsung.com/global/ir/reports-disclosures/public-disclosure-view.84756/)의 약 15조 원 매입은 임직원 주식보상 목적이며 예정 기간은 8월 24일–11월 21일이다. 매입 목적, 매입 예정 금액과 주식 수, 집행 방식, 예정 기간을 먼저 확인한 뒤 실제 누적 매입과 대조한다. 기간 중 금액이 빠르게 소진될 수 있으므로 공시 종료일과 예상 소진일은 구별한다. [삼성전자 2026년 주주환원 계획 발표](https://news.samsung.com/global/samsung-electronics-to-implement-largest-ever-shareholder-return-in-2026-estimated-at-krw-90-to-110-trillion)는 연간 환원을 90조–110조 원으로 예상했다. 임직원 보상용 취득, 소각 목적 매입, 배당, 아직 방법이 정해지지 않은 환원은 유통주식 수와 당장 거래되는 매수 주문에 미치는 효과가 다르다. 총환원액을 전부 같은 시기의 거래소 매수액으로 계산하지 않는다. 수급 화면을 옮길 때에는 특정 두 종목인지 지수 전체인지, 순매수인지 총매수인지, 금액 기준인지 주식 수 기준인지도 적는다. 공시가 입증하는 계획과 거래 통계가 입증하는 집행 결과를 분리하면 매입 종료 전후의 변화를 추적하기 쉽다. ## 주주환원과 자금 조달: 발표·결정·집행을 구별한다 [SK하이닉스의 2026년 8월 19일 발표](https://news.skhynix.com/en/share-buyback-and-retirement/)는 40조 원 자사주 취득과 전량 소각 결정, 8월 20일부터 약 3개월의 매입 계획을 명시한다. 이 발표는 환원 계획의 근거이며 전체 집행 완료의 근거는 아니다. 후속 취득 결과와 소각 공시를 붙여 이행 여부를 갱신한다. [10월 1일 Solidigm 관련 공식 설명](https://news.skhynix.com/en/fact-11/)은 여러 자금 조달 방안을 검토 중이며 구체적인 결정은 없다고 밝힌다. 자회사 IPO 검토, 확정된 상장, 기존 주주의 지분 희석을 하나의 사실로 묶지 않는다. ADR도 락업 해제 후 매도 가능성과 신규 주식 발행을 구별한다. 기존 지분의 이전과 발행주식 수 증가가 주당 가치에 주는 효과는 서로 다르다. 삼성전자에 대해서는 위의 8월 21일 주주환원 발표에서 **총 환원 예상액·배당·임직원 보상용 취득·향후 매입 및 소각**을 나누어 읽는다. 발표 총액 전부를 당장 집행될 장내 매수액으로 해석하지 않는다. ## 지분 규제와 세금: 법 조항에서 동기 추정으로 건너뛰지 않는다 [금융산업의 구조개선에 관한 법률 제24조](https://www.law.go.kr/%EB%B2%95%EB%A0%B9/%EA%B8%88%EC%9C%B5%EC%82%B0%EC%97%85%EC%9D%98%EA%B5%AC%EC%A1%B0%EA%B0%9C%EC%84%A0%EC%97%90%EA%B4%80%ED%95%9C%EB%B2%95%EB%A5%A0/%EC%A0%9C24%EC%A1%B0)는 금융회사의 다른 회사 주식 보유에 대해 지분율과 지배관계 등에 따른 승인 요건을 정한다. 모든 경우의 ‘10% 절대 상한’으로 요약할 조항은 아니다. 자사주 소각에 따른 지분율 변화를 평가할 때에는 적용 법령, 지배관계, 기존 승인 조건과 실제 지분율을 대조한다. [상속세 및 증여세법 제63조](https://www.law.go.kr/%EB%B2%95%EB%A0%B9/%EC%83%81%EC%86%8D%EC%84%B8%EB%B0%8F%EC%A6%9D%EC%97%AC%EC%84%B8%EB%B2%95/%EC%A0%9C63%EC%A1%B0)의 상장주식 평가는 원칙적으로 평가기준일 전후 각 2개월의 종가 평균을 사용하며 증자·합병 등에 관한 예외가 있다. 평균 방식이라는 세법상 사실은 특정 주주가 주가를 낮추려 했다는 증거가 아니다. 거래 사실, 세법상 평가, 당사자 의도는 서로 다른 근거를 요구한다. 법령은 2026년 10월 13일 조회 기준이다. ## 다음 공시에서 갱신할 항목 기존 발표의 금액과 예정 기간을 보존한 채 후속 취득 결과·소각 공시·배당 결정을 연결한다. 주식 수의 변화와 취득 단가, 실제 현금 지출을 따로 기록하면 주당 가치와 단기 수급의 효과를 구분할 수 있다. 법령의 조문, 당사자의 행위, 그 행위의 동기에 대한 추정은 각각 근거가 필요하다. ## 함께 찾을 자료 [한국 경제·기업 자료 지도](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/0ecaf143-6a46-4e24-a1be-60667bffecd6" title: "산업활동동향 읽기: 전월비·전년비·계절조정·설비투자" description: "국가데이터처 산업활동동향의 전산업생산·소매판매·설비투자. 2026년 8월 사례로 원계열과 계절조정, 운송장비·기계류를 구별한다." kind: "llm-wiki" published: "2026-10-17T12:55:53.554Z" tags: ["산업활동동향","계절조정","설비투자","소매판매"] url: "https://www.readiz.com/llm-wiki/industrial-activity-indicators/" markdownUrl: "https://www.readiz.com/llm-wiki/industrial-activity-indicators/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 산업활동동향 읽기: 전월비·전년비·계절조정·설비투자 월별 경기의 방향을 판단할 때 같은 통계의 전월비와 전년 동월비, 총지표와 세부 항목을 맞추는 자료다. 찾을 때 쓸 이름: 산업활동동향, 전산업생산, 소매판매, 설비투자, 계절조정계열, 원계열. 자료 확인 기준: 2026년 10월 12일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 산업활동: 전월비의 하락과 전년비의 성장은 공존한다 [국가데이터처 「2026년 8월 산업활동동향」](https://m.korea.kr/archive/expDocView.do?docId=41895)은 9월 30일 발표됐다. 요약 2·4·5쪽을 기준으로 전산업생산·소매판매·설비투자의 전월비와 전년 동월비를 나누어 읽는다. ![8월 산업활동의 전월비와 전년 동월비 비교](https://www.readiz.com/assets/authored/0ecaf143-6a46-4e24-a1be-60667bffecd6/8072c344-82f1-4a37-8daf-e776172c8c8c.webp) *전월비는 계절조정계열, 전년 동월비는 원계열. 모든 수치는 2026년 8월 잠정치이며 증감률의 단위는 %.* 설비투자는 전월 대비 9.5% 감소했지만 전년 동월 대비 16.1% 증가했다. 전월 감소에는 선박·항공기 등 운송장비의 영향이 컸다. 기계류 투자는 전월 대비 1.6% 늘었다. 특정 월의 총지표가 움직인 이유를 읽으려면 하위 항목과 비교 기간을 함께 확인해야 한다. 이 통계만으로 금리 상승의 인과 효과를 분리해 낼 수는 없다. 수출금액·가격·물량과 국내 생산·판매는 다른 지표다. [반도체 수출과 기기 수요 지표](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/)에서 수출 자료를 따로 확인한다. ## 원문 파일과 버전 2026년 10월 12일 확보한 파일의 식별 정보다. 다운로드는 원기관으로 연결하며, 후속 개정본은 관측 기간·발표일과 해시를 구분해 남긴다. | 자료·발표일 | 원기관 파일 | 크기 | SHA-256 | | ---------------------------- | --------------------------------------------------------------------------- | ----------: | ------------------------------------------------------------------ | | 2026년 8월 산업활동동향 · 2026-09-30 | [PDF](https://www.korea.kr/common/download.do?fileId=198564655\&tblKey=EDN) | 7,249,158 B | `520d660cb3f78c067a5b07d0494317e264f2dfdf7b0a1e74bf09fa7b13e30fdc` | ## 함께 찾을 자료 [반도체 수출·출하·생산능력](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/) · [경제통계의 기간과 정의](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/41dd5ed0-b48c-4859-9317-52bbe368f988" title: "정년 연장과 은퇴 통계: 고령층 부가조사·KDI 고용효과" description: "고령층 조사 평균 퇴직 연령 53.0세와 KDI 정책포럼 277호의 60세 정년 의무화 효과를 구분한다." kind: "llm-wiki" published: "2026-10-17T12:54:51.075Z" tags: ["정년","은퇴","고령층 부가조사","KDI","청년고용"] url: "https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/" markdownUrl: "https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/노동·인구" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EB%85%B8%EB%8F%99%C2%B7%EC%9D%B8%EA%B5%AC" --- # 정년 연장과 은퇴 통계: 고령층 부가조사·KDI 고용효과 은퇴의 시점과 정년 제도의 고용 효과는 서로 다른 자료로 측정한다. 주된 일자리 이탈을 설명하는 고령층 부가조사와, 정년 의무화의 고용 효과를 추정한 KDI 연구를 연결한다. 찾을 때 쓸 이름: 고령층 부가조사, 가장 오래 근무한 일자리, 53.0세, 55.3세, KDI 정책포럼 제277호, 한요셉, 60세 정년 의무화. 자료 확인 기준: 고령층 통계는 2026년 10월 17일, KDI 연구는 2026년 10월 11일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 고령층 부가조사: ‘53세 은퇴’의 분모를 확인한다 「2026년 5월 경제활동인구조사 고령층 부가조사 결과」는 55–79세를 대상으로 한다. 가장 오래 근무한 일자리를 이미 그만둔 사람의 당시 평균 연령은 53.0세이며, 남성은 55.3세다. 가장 오래 근무한 일자리를 그만둔 것과 노동시장에서 완전히 은퇴한 것은 다르다. [정책브리핑 발표자료](https://www.korea.kr/briefing/pressReleaseView.do?newsId=156773414) · [PDF 원문 다운로드](https://www.korea.kr/common/download.do?fileId=198520469\&tblKey=GMN) 이 수치는 특정 출생연도의 미래 퇴직 연령을 추정한 값이 아니다. 1974년생이 연도 차이로 53세가 되는 2027년에 모두 소득을 잃는다고 추론할 수 없다. 2028년은 같은 계산으로 54세이며, 개인의 만 나이는 생일에 따라 다르다. 주택시장 분석에서는 재취업·연금·금융자산·대출 상환액을 통해 은퇴와 주거 선택을 연결해야 한다. ## 정년 효과는 같이 바뀐 제도와 함께 읽는다 [정년 연장이 고령층과 청년층 고용에 미치는 효과](https://www.kdi.re.kr/research/reportView?pub_no=16561) — 한요셉, KDI 정책포럼 제277호, 2020년 5월 14일. 2016년부터 단계적으로 시행된 60세 정년 의무화를 분석했다. | 대상 | 연구에서 관측·추정한 결과 | 함께 볼 조건 | | ----- | ---------------------------------------------------- | ------------------------------- | | 민간사업체 | 정년 혜택 대상자가 한 명 많을 때 55–60세 고용 +0.6명, 15–29세 고용 −0.2명 | 100인 이상 또는 기존 정년이 낮은 사업체에 효과 집중 | | 공공기관 | 고령층·청년층 고용 모두 증가, 40대 초반 고용 감소 | 청년 의무채용·임금피크제 병행 | 정년 연장의 결과를 세대 간 일자리의 보편적인 교환 비율로 읽기보다, 비용과 채용 규칙을 바꾸었을 때 조정 부담이 어디로 가는지 살필 자료다. ## 두 자료를 함께 사용할 때 평균 퇴직 연령은 이미 주된 일자리를 떠난 표본의 기술 통계다. 정년 의무화의 효과는 제도 변화 전후를 비교하는 별도의 연구다. 평균 연령과 추정 고용계수를 곱해 특정 출생연도 전체의 퇴직자 수나 청년 일자리 감소를 계산하지 않는다. 정년 연구를 갱신할 때는 시행 시점, 기존 정년, 사업체 규모, 임금피크제·청년채용 의무 등 동반 정책을 유지해서 비교한다. 가계의 주거·소비 여력으로 연결하려면 재취업, 연금, 금융자산과 대출 상환액도 필요하다. ## 함께 찾을 자료 [AI 노출과 청년고용](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/) · [대출 상환과 가계신용](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/) · [프랑스 연금 개시 연령과 감액 없는 연금](https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/8df5525e-3637-41ee-aa7a-fe1429aa1e31" title: "대출금리와 가계신용: 신규·잔액·주담대·금리 재산정" description: "한국은행 금융기관 가중평균금리와 가계신용을 읽는 법. 76.5%·38.3%의 분모, 혼합형·주기형 재산정, 원리금 균등상환 계산을 모은다." kind: "llm-wiki" published: "2026-10-17T12:53:48.765Z" updated: "2026-10-18T05:00:35.957Z" tags: ["대출금리","가계신용","주택담보대출","한국은행","변동금리"] url: "https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/" markdownUrl: "https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # 대출금리와 가계신용: 신규·잔액·주담대·금리 재산정 대출금리가 가계에 전달되는 속도를 조사할 때 사용하는 한국은행 통계와 계산 기준이다. 신규 계약의 조건, 기존 잔액의 금리 구조, 가계신용의 범위를 한곳에서 확인한다. 찾을 때 쓸 이름: 금융기관 가중평균금리, 신규취급액, 잔액 기준, 고정금리, 변동금리, 주택담보대출, 가계신용, 금리 재산정. 자료 확인 기준: 2026년 10월 17일. 과거 수치와 제도 사례는 당시 발표의 기록이며, 현재 판단에는 후속 발표를 확인한다. ## 한국은행 대출금리: 신규와 잔액, 가계와 주담대를 구분한다 한국은행 「2026년 8월 금융기관 가중평균금리」는 2026년 9월 30일 발표 자료다. 예금은행의 금리조건별 비중 표에는 신규취급액 기준과 잔액 기준이 따로 있으며, 가계대출 전체 아래에 주택담보대출이 별도 제시된다. [발표 페이지](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=200690\&nttId=11065098) · [PDF 원문 다운로드](https://www.bok.or.kr/fileSrc/portal/c2219fc539c94694833844554d5b8db5/2/a5fcfaf408d1462fb3c56d7235adc966.pdf) ![예금은행 가계대출과 주택담보대출의 신규·잔액별 고정금리와 변동금리 비중](https://www.readiz.com/assets/authored/8df5525e-3637-41ee-aa7a-fe1429aa1e31/0b1bb999-fff4-4d19-a3e4-7869d75069a6.webp) *2026년 8월 잠정치. 변동금리 비중은 해당 행의 100%에서 고정금리 비중을 뺀 값이다.* | 대출 범위 | 신규취급액 중 변동금리 | 잔액 중 변동금리 | | ------ | -----------: | --------: | | 가계대출 | 76.5% | 57.3% | | 주택담보대출 | 64.7% | 38.3% | 76.5%를 전체 주담대의 금리 노출 비중이라고 쓰면 대상과 집계 기준이 모두 달라진다. 신규취급액은 새로 공급된 대출의 구성을, 잔액은 기존 대출을 포함한 구성을 보여준다. 현재 고정금리로 분류됐다는 사실과 계약 만기까지 금리가 고정된다는 사실도 구분한다. 혼합형·주기형 대출의 향후 재산정 노출은 약정 구조와 재산정 일정 자료를 추가로 확인해야 한다. 대출 평균금리, 은행 상품의 최저·최고 제시금리, 국채 수익률은 각각 다른 지표다. 가산금리와 차주 조건도 달라지므로 서로를 그대로 대체하지 않는다. 한국은행 자료를 찾는 기본 경로는 [경제통계 조사 가이드](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/)를, 다른 시장 지표의 자료 위치는 [한국 경제·기업 자료 지도](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/)를 참고할 수 있다. ### 재산정 잔액과 상환 부담을 연결하는 방법 금리가 다시 정해지는 잔액은 그 시점에 원금 전액을 갚아야 한다는 뜻이 아니다. 부실액도 아니다. 계약별 현재 잔액, 남은 기간, 적용금리, 상환 방식이 필요하다. 예시로 현재 원금 3억 원, 남은 기간 360개월, 원리금 균등상환을 고정하면 다음과 같다. | 가정한 연이율 | 계산한 월 납입액 | | ------- | ------------------: | | 2.70% | 약 121.7만 원 | | 4.26% | 약 147.8만 원 | | 차이 | 약 26.1만 원, 21.4% 증가 | 월 납입액은 원금에 `월이율 / (1 - (1 + 월이율)^(-남은 개월 수))`를 곱해 계산한다. 수수료·거치기간·중도상환은 제외한 예시다. 이미 몇 년 상환한 대출의 최초 금액과 최초 만기를 그대로 넣으면 실제 재산정 부담을 잘못 계산하게 된다. ### 2026년 8월의 4.66%와 20년 상환 예시 같은 한국은행 발표에서 신규취급액 기준 예금은행 가계대출 전체 금리는 4.76%, 그중 주택담보대출은 4.66%다. 4.66%를 전체 가계대출의 평균이나 기존 잔액 전체에 적용되는 금리로 바꾸지 않는다. 원금 3억 원, 240개월 원리금 균등상환을 고정하고 연 2.39%와 연 4.66%를 각각 적용하면 월 납입액은 1,573,681원과 1,923,956원이다. 차이는 월 350,275원, 약 22.3%다. 전 기간 같은 금리를 적용한 총이자는 약 7,768만 원과 1억 6,175만 원으로 약 2.08배다. 수수료, 거치기간, 중도상환을 제외한 조건 비교이며, 이미 일부를 상환한 계약의 금리 재산정 결과는 남은 원금과 기간으로 다시 계산한다. 계산 확인: 2026년 10월 18일. ## 가계신용은 전부 주택담보대출이 아니다 한국은행 「2026년 2/4분기 가계신용(잠정)」에서 2026년 2분기 말 가계신용은 2,019.8조 원이다. 가계대출 1,891.3조 원과 판매신용 128.5조 원의 합계다. 판매신용을 포함한 전체 가계신용과 주택담보대출을 같은 잔액으로 쓰지 않는다. 전분기 대비 증가액과 잔액, 은행과 비은행의 범위도 구분한다. [KDI 경제교육·정보센터의 발표자료 수록 페이지](https://eiec.kdi.re.kr/policy/materialView.do?num=285513) · [PDF 원문 다운로드](https://eiec.kdi.re.kr/policy/callDownload.do?num=285513\&filenum=1) 금리 스트레스를 분석하려면 전체 잔액에 하나의 금리 차를 일괄 곱하기보다 금리 노출, 재산정 시점, 상환 방식과 차주의 소득을 나누어야 한다. 전체 부채가 크다는 관측과 특정 집단의 상환 실패 예측은 별도의 주장이다. 기준금리 결정의 배경은 [한국은행 8월 27일 통화정책방향](https://www.bok.or.kr/portal/bbs/P0000559/view.do?menuNo=200690\&nttId=11064191\&programType=newsData)에서 따로 읽는다. 2.75%→3.00% 인상은 시장금리 자료와 다른 종류의 근거다. 정책금리와 국고채·은행채·대출금리 사이에는 기대와 조달 구조, 계약 갱신 시차가 있다. ## 원문 파일과 버전 2026년 10월 12일 확보한 파일의 식별 정보다. 다운로드는 원기관으로 연결하며, 후속 개정본은 관측 기간·발표일과 해시를 구분해 남긴다. | 자료·발표일 | 원기관 파일 | 크기 | SHA-256 | | --------------------------------- | ------------------------------------------------------------------------------------------------------------------- | --------: | ------------------------------------------------------------------ | | 2026년 8월 금융기관 가중평균금리 · 2026-09-30 | [PDF](https://www.bok.or.kr/fileSrc/portal/c2219fc539c94694833844554d5b8db5/2/a5fcfaf408d1462fb3c56d7235adc966.pdf) | 970,722 B | `23b81b2d06da561041e4fc3cae990cd810e4f17330c3150faccccec700e8e142` | ## 함께 찾을 자료 [금리가 주택가격에 미치는 영향 연구](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/) · [정책 기대와 장기금리](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/) · [한국은행 통계·연구·정책 자료의 입구](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/2bb20ab7-f9f8-4199-be04-227917e98fe5" title: "증시는 꺾였는데 집값은 버틴다: 고금리가 주택시장에 도착하는 시간" description: "주식 수익 감소와 고금리 재산정, 반도체 성과급과 공급 부족이 맞서는 주택시장을 영상과 공식 자료로 읽는다." kind: "record" published: "2026-10-17T12:42:19.189Z" tags: ["부동산","금리","가계부채"] url: "https://www.readiz.com/records/housing-after-stock-market-rate-reset/" markdownUrl: "https://www.readiz.com/records/housing-after-stock-market-rate-reset/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 증시는 꺾였는데 집값은 버틴다: 고금리가 주택시장에 도착하는 시간 주택시장을 지탱하는 것은 부족한 집만이 아니다. 그 집을 살 사람이 마련할 수 있는 자기자금과 매달 감당할 원리금도 가격을 결정한다. 주식에서 번 돈이 줄어들고 대출금리가 높은 수준에 오래 머물면, 공급 부족이 이어지는 지역에서도 매수자가 제시할 수 있는 가격은 낮아진다. 반대로 성과급이 실제 현금으로 들어오거나 임대료가 오르는 지역은 그 압력을 더 오래 견딜 수 있다. 2026년 10월 17일 박종훈의 지식한방이 내놓은 「증시는 먼저 꺾였다. 부동산은 버틸까?」는 이 힘들의 시간차를 다룬다. 영상의 중심 주장은 **주식시장과 주택시장의 괴리가 영구히 유지되기 어렵고, 고금리의 누적 부담이 2027년 이후 주택 수요를 더 강하게 제약할 수 있다**는 것이다. 이 글은 그 논리를 금리·규제·주식·성과급·공급·인구 순서로 풀어본다. 영상의 전망 시점을 그대로 가격 하락의 확정 날짜로 바꾸지 않고, 판단을 좌우하는 대출 구조와 통계의 범위를 함께 확인한다. [YouTube: 증시는 먼저 꺾였다. 부동산은 버틸까? (박종훈의 지식한방)](https://www.youtube.com/watch?v=R4K0qIgCK9Y) ## 서울 평균이 오르는 동안에도 먼저 식는 곳은 생긴다 영상의 출발점은 한 방향으로 움직이지 않는 서울이다. 화면은 서울 아파트값의 88주 연속 상승과 그 기간 누적 상승률 17.9%를 제시하면서, 강남구에서는 10주 연속 하락과 누적 약 0.35% 하락이 나타났다고 비교한다. 성북구의 올해 상승률은 14.9%로 표시된다. 모두 영상이 인용한 2026년 10월 무렵의 주간 가격 동향이며, 서로 다른 지역과 집계 기간의 숫자다. ![서울 평균 상승과 강남 하락, 성북 상승을 함께 보여주는 영상 도표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/a58f3243-2ed5-4883-8cca-889aede1e64d.webp) *서울 전체와 구별 움직임이 갈리는 출발점. [영상 00:35](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=35s)* 이 차이는 이후의 논의에 중요하다. 비싼 집에 필요한 대출과 자기자금이 더 크게 제약되면 상대적으로 저렴한 지역으로 수요가 이동할 수 있다. 서울 평균의 상승만으로 고가 주택의 매수 여력이 건재하다고 결론 내릴 수 없고, 강남의 하락만으로 서울 전체가 이미 같은 국면에 들어갔다고 말할 수도 없다. 먼저 움직이는 가격대와 아직 버티는 지역을 나누어야 한다. ## 금리의 영향은 크지만, ‘60.7%’의 뜻부터 정확해야 한다 영상은 국토연구원의 분석을 근거로 집값에 가장 큰 영향을 주는 변수가 금리라고 설명한다. 이때 제시되는 60.7%는 국토정책Brief 902호의 수치다. 연구는 2011년 1월부터 2021년 12월까지를 대상으로 기준금리·대출태도·준공물량·가구 수·경기동행지수의 상대적 설명 기여도를 샤플리 분해로 비교했다. 한국부동산원 조사 지수를 썼을 때 기준금리의 기여도가 60.7%였다. 같은 연구에서 실거래 지수를 쓰면 45.7%, KB 조사 지수를 쓰면 56.1%가 된다. [국토연구원 원문](https://www.krihs.re.kr/gallery.es?act=view\&bid=0022\&list_no=29839\&mid=a10103050000) ![주택가격 지수에 따라 달라지는 다섯 변수의 설명 기여도](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/272eda57-ec1e-43df-a948-dea9c55be1c2.webp) *같은 분석도 가격 지표에 따라 결과가 달라진다. [국토정책Brief 902호 표 1](https://www.krihs.re.kr/galleryDownload.es?bid=0022\&list_no=29839\&seq=1)의 수치로 재작성.* 따라서 ‘집값의 60.7%를 금리가 결정한다’거나 ‘금리가 오르면 그 비율만큼 집값이 내린다’는 뜻이 아니다. 분석에 포함한 변수와 기간 안에서 금리의 설명력이 컸다는 의미다. 원 연구의 다섯 변수에는 주가가 따로 들어 있지 않다. 영상의 여섯 축은 이 연구에 주식 수익과 성과급 같은 최근의 자금 흐름을 보태 구성한 해석이다. 그렇다고 금리의 중요성이 약해지는 것은 아니다. 집을 사려는 사람에게 금리는 매달의 비용인 동시에 빌릴 수 있는 돈의 한도다. 같은 소득이라도 금리가 오르면 상환 여력이 줄고, 같은 가격을 지불하려면 더 많은 자기자금이 필요하다. 공급 부족이 매물의 희소성을 높이는 동안, 금리는 그 매물을 살 수 있는 사람의 수와 자금 규모를 바꾼다. ## 2022년과 미국 사례가 보여주는 것은 ‘고정된 시계’가 아니라 전달 경로다 영상은 2022년 국고채 10년물 금리가 4%를 넘었던 기간과 서울의 거래 위축을 나란히 놓는다. 당시 고금리 구간은 약 7주였고, 2022년 10월 서울 아파트 거래는 558건으로 급감했다는 설명이다. 화면 아래의 연간 약 22% 하락은 **서울 아파트 실거래가격** 기준이다. 이를 전국 주택가격이나 주간 조사 지수의 하락률로 옮기면 범위가 달라진다. ![2022년 채권금리 상승과 서울 아파트 거래 위축을 비교한 영상 화면](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/2a88e039-7288-4e1e-bebb-e30422c7a88e.webp) *영상이 비교 기준으로 삼은 2022년. ‘약 22%’는 화면의 서울 실거래가격 범위를 유지해서 읽어야 한다. [영상 02:45](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=165s)* 이어지는 월별 도표에서는 2022년 하반기 서울 실거래가격 하락 뒤 2023년 초부터 반등이 나타난다. 여기서 눈여겨볼 점은 기준금리와 시장금리가 같은 날 같은 방향으로 움직이지 않는다는 사실이다. 은행의 조달비용과 대출금리, 대출 공급과 정책 대응이 달라지면 기준금리가 높은 상태에서도 거래가격이 반응할 수 있다. 2022년의 경로를 현재에 대입하려면 금리의 최고점뿐 아니라 실제 대출 조건과 정책 환경까지 비교해야 한다. ![2022년 하반기 하락과 2023년 초 반등을 보여주는 서울 실거래가격 월별 도표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/7a832cfa-6544-4954-b1af-b6f44343e635.webp) *월별 가격 변동과 금융 조건의 시차를 설명하는 장면. [영상 03:51](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=231s)* 미국의 2006\~2007년 사례도 같은 주의가 필요하다. 영상은 연방기금금리 5.25%가 약 15개월 유지된 뒤 주택시장 충격이 커졌다고 설명하지만, 영상 속 도표 자체에는 2006년 7월 가격 고점과 첫 금리 인하 이전의 하락이 표시돼 있다. 연준도 2006년 6월 29일 금리 인상 발표에서 이미 주택시장의 냉각을 언급했다. ‘금리를 올려도 15개월 동안 집값이 전혀 반응하지 않다가 그 뒤 떨어진다’는 법칙으로 읽을 수 없다. [연준의 당시 발표](https://www.federalreserve.gov/newsevents/pressreleases/monetary20060629a.htm) 국토연구원의 별도 연구는 금리의 효과가 시대와 인상·인하 방향에 따라 달라진다고 분석한다. 글로벌 금융위기 이후 표본에서 금리 인상 충격의 주택가격 반응은 약 12\~15개월 뒤 나타났다. 이것은 과거 자료로 추정한 평균적인 반응이지, 특정 시장금리가 4%를 넘은 날부터 하락일까지 세는 만기일이 아니다. 가격 반응의 시차와 연체 증가의 시차 역시 다른 현상이다. [「주택가격에 대한 금리의 시간가변적인 영향 연구」](https://www.krihs.re.kr/board.es?act=view\&bid=0008\&list_no=381813\&mid=a10607000000) ## 이번에 봐야 할 것은 금리의 높이와 지속 시간, 그리고 재산정 날짜다 영상은 2022년과 2026년의 국채금리·주택담보대출 금리를 비교한다. 이 도표에는 국채 수익률, 신규취급 평균 대출금리, 은행 상품의 상단 금리가 함께 들어 있다. 각각 다른 달의 수치이기도 하다. 이를 한 종류의 ‘현재 주담대 금리’로 합쳐 읽기보다는, 여러 자금조달 경로에서 높은 비용이 이어지고 있다는 영상의 문제 제기로 보는 편이 정확하다. ![2022년과 2026년의 국내외 채권 및 주택담보대출 금리를 비교한 화면](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/8b5d18cb-614a-417c-b57e-2036c3e5f89b.webp) *국채금리·평균 대출금리·상품 상단 금리는 서로 다른 지표다. 각 행의 기준월도 다르다. [영상 05:57](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=357s)* 더 중요한 비교는 지속 시간이다. 영상의 집계에서 국고채 10년물의 4% 초과 구간은 2022년과 2023년 각각 약 33거래일이었지만, 2026년에는 5월 12일부터 10월 16일까지 106거래일로 길어졌다. 높은 금리가 오래 유지되면 처음에는 버틸 수 있었던 가구도 차환과 금리 재산정 때 비용 증가를 겪는다. 영상에서 거론하는 기준금리 추가 인상 가능성 역시 이 부담이 얼마나 지속될지를 둘러싼 전망이며, 이미 결정된 정책 경로는 아니다. ![4% 초과 금리의 지속 기간을 연도별로 비교한 영상 도표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/fb038542-f706-4592-a034-82d1817c9e6d.webp) *영상이 강조하는 차이는 최고 금리뿐 아니라 고금리 구간의 길이다. 표시된 대출·연체 시차를 모든 차주에게 적용할 수는 없다. [영상 06:45](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=405s)* 혼합형이나 주기형 대출은 이 압력을 늦게 전달한다. 일정 기간 금리를 고정했다가 다시 정하는 상품에서는 시장금리가 먼저 움직여도 기존 차주의 납입액은 당장 바뀌지 않는다. 이후 재산정 날짜가 돌아왔을 때 소득과 상환 부담의 차이가 드러난다. 미국처럼 장기 고정금리 비중이 높은 시장과 한국을 비교할 때도 이 계약 구조가 중요하다. IMF는 고정금리 비중, 가계의 부채 규모, 대출 조건에 따라 통화정책의 주택시장 전달 강도가 달라진다고 설명한다. [IMF 2024년 4월 세계경제전망 2장](https://www.elibrary.imf.org/display/book/9798400255892/CH002.xml) 영상은 19개 은행 자료를 합산한 재산정 대상 잔액으로 2027년 약 563조 원을 제시한다. 분기별 화면 수치 137조·154조·128조·144조 원을 더한 값이다. 이것은 영상이 제시한 **금리가 다시 정해지는 대출 잔액**이다. 전액이 연체될 돈, 전부 같은 달에 만기가 돌아오는 돈, 전부 2021년에 빌린 5년 혼합형 대출이라는 뜻은 아니다. 실제 부담은 계약별 재산정 방식과 당시 잔액·남은 만기·소득에 달려 있다. ![분기별 금리 재산정 대상 주택담보대출과 원리금 부담 예시](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/fdc847a2-00c9-45ee-9d14-1d9c35764f66.webp) *2027년 563조 원은 영상의 재산정 대상 잔액 합계다. 상환 실패 금액으로 읽어서는 안 된다. [영상 07:53](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=473s)* 부담의 크기는 조건을 고정해 계산하면 더 분명하다. **현재 원금 3억 원, 남은 기간 30년, 원리금 균등상환**이라고 가정하면 연 2.70%의 월 납입액은 약 121.7만 원, 연 4.26%에서는 약 147.8만 원이다. 월 약 26.1만 원, 약 21.4% 증가다. 두 금리는 영상의 예시를 계산한 것이며 실제 재산정 금리의 보장값이 아니다. 5년 동안 이미 상환한 대출을 계산할 때는 최초 원금과 30년을 그대로 넣지 말고, 현재 잔액과 남은 기간으로 다시 계산해야 한다. 또 하나의 핵심은 변동금리 비중의 분모다. 한국은행의 2026년 8월 자료에서 76.5%는 예금은행 **신규 가계대출**의 변동금리 비중이다. 기존 가계대출 잔액 기준은 57.3%, 주택담보대출만 보면 신규취급액 기준 64.7%, 잔액 기준 38.3%다. 전체 주담대의 76.5%가 즉시 금리 변화에 노출된다고 해석하면 부담의 전달 속도를 과장하게 된다. 반대로 현재 고정금리로 분류된 계약도 약정에 따라 나중에 재산정될 수 있다. [한국은행 원문](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=200690\&nttId=11065098) ![신규취급액과 잔액, 가계대출과 주택담보대출을 구분한 고정·변동금리 비중](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/792794f4-e265-4dbd-8397-967499415fc2.webp) *대출의 대상과 집계 기준을 바꾸면 노출 정도도 달라진다. [한국은행 2026년 8월 자료](https://www.bok.or.kr/fileSrc/portal/c2219fc539c94694833844554d5b8db5/2/a5fcfaf408d1462fb3c56d7235adc966.pdf)로 재작성.* 영상의 약 2,020조 원이라는 가계부채 규모 역시 범위를 구분할 필요가 있다. 한국은행이 발표한 2026년 2분기 말 가계신용은 2,019.8조 원으로, 가계대출 1,891.3조 원과 판매신용 128.5조 원을 합한 금액이다. 전액이 주택담보대출은 아니다. 큰 부채 잔액은 금리 변화가 가계 현금흐름에 넓게 영향을 줄 수 있음을 보여주지만, 부실 여부는 차주의 소득과 자산, 대출 종류별로 따져야 한다. [2026년 2분기 가계신용 발표](https://eiec.kdi.re.kr/policy/materialView.do?num=285513) ## 주식 수익은 자기자금이 되고, 대출 규제는 그 돈이 향할 지역을 바꾼다 영상에서 주식은 독립된 자산시장이면서 주택 매수자의 자기자금 공급원이다. 주가가 오르면 평가이익을 실현해 계약금이나 잔금에 보탤 수 있다. 이미 현금화한 수익은 이후 주가가 떨어져도 남아 있으므로, 증시 하락과 주택시장 둔화가 같은 날 일어나지는 않는다. 다만 새로운 수익이 만들어지지 않으면 다음 매수자가 들고 올 돈이 줄어든다. 영상 화면은 코스피가 2026년 6월 22일 9,114에서 10월 16일 5,688.05로 약 38% 하락했다고 제시하고, 상반기 주식 수익이 주택시장으로 흘러간 뒤 새로운 자금은 예금으로 이동하는 구도를 설명한다. 함께 등장하는 ‘429조 원’과 ‘70%’는 영상이 제시한 자금 흐름 수치다. 특히 70%는 조사 대상·표본·질문이 확인되지 않아, 서울의 모든 매수자 중 70%가 주식으로 집을 샀다는 통계로 일반화하지 않는다. 주식 매각대금을 조금이라도 보탠 사람의 비율과 주택 구입자금 중 주식 수익의 비중도 전혀 다른 숫자다. ![주식 수익 감소와 대출·세제·실거주 규제의 지역별 영향을 설명한 화면](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/43d35a48-a547-454b-acbf-35cecb959aa9.webp) *주식은 자기자금의 원천, 대출 규제는 구매 가능 가격대와 지역을 바꾸는 경로로 등장한다. [영상 10:54](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=654s)* 규제의 영향도 전국을 같은 방향으로 밀지 않는다. 대출 한도가 낮아지면 고가 주택에는 더 많은 현금이 필요하고, 대출 가능한 상대적으로 낮은 가격대로 수요가 이동할 수 있다. 영상은 이 과정에서 강남의 수요 둔화와 외곽의 상승이 동시에 생기는 구도를 제시한다. 세금 부담은 매각이나 증여 선택에, 실거주 요건은 임대 물량과 매매 물량 사이의 이동에 영향을 준다는 설명도 함께 나온다. 특정 규제 아래에서 상대적으로 유리한 가격대가 오르는 현상을 시장 전체의 구매력 확대로 읽어서는 안 된다. ## 성과급은 지역의 방어력을 높이지만, 지급 방식이 구매력의 크기를 정한다 주식 수익 감소에 맞서는 소득 측 요인이 반도체 기업의 성과급이다. 영상은 삼성전자와 SK하이닉스의 보상과 사내 대출이 동탄·수원 영통 등 근무지 주변 수요를 지탱하는 경로를 강조한다. 화면의 동탄 연간 상승률 20.1%, 영통의 주간 상승률 0.69%는 이 지역 집중을 설명하기 위해 제시한 10월 무렵의 수치다. ![반도체 기업 보상의 지급 방식과 동탄·영통 주택시장 연결을 다룬 화면](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/896878d0-065c-4639-aeb8-00dc981f9e0b.webp) *성과급의 규모와 함께 현금·주식 비중, 지급 시기와 조건을 읽어야 한다. [영상 11:26](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=686s)* 영상은 삼성의 주식 보상과 분할 지급, SK의 현금 비중과 다음 해 지급 시점 등을 구분한다. 회사가 발표하거나 예상하는 총 보상액이 발표 당일 전액 주택 매수 자금이 되는 것은 아니다. 세후 현금이 언제 들어오는지, 주식 보상은 언제 처분할 수 있는지, 사내 대출의 대상과 조건이 무엇인지에 따라 실제 구매력이 달라진다. 연간 실적에 연동되는 보상은 실적 확정과 지급 절차도 거친다. 그럼에도 이 요인은 가볍게 볼 수 없다. 금리 충격이 넓게 작용하더라도 특정 지역에는 높은 소득과 추가 자금이 집중될 수 있기 때문이다. 전국적인 금융 부담과 특정 직장 주변의 강세는 함께 존재할 수 있다. 영상의 성과급 논지는 이 지역 차이를 설명할 때 가장 설득력이 있다. ## 입주 감소와 이주는 임대시장을 압박한다. 매매가격까지 보장하지는 않는다 공급 측에서는 서울의 입주 물량 감소가 가장 강한 지지 요인으로 등장한다. 영상은 입주 물량을 2025년 약 3.7만 가구, 2026년 2.6만 가구, 2027년 2.3만 가구, 2028년 1.5만 가구로 제시한다. 향후 연도 수치는 영상 시점의 전망이며 사업 일정에 따라 바뀔 수 있다. 여기에 정비사업 이주가 겹치면 일정 지역과 시기에 임시 거처를 찾는 수요가 몰린다는 설명이다. ![서울 입주 물량 감소와 정비사업 이주 수요를 비교한 영상 도표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/5c8e07cf-cff8-4f86-99a2-47588e8050b0.webp) *입주와 이주는 지역·시기·주택 유형을 맞춰 비교해야 한다. 기존 가구의 이동을 모두 신규 가구 증가로 셀 수는 없다. [영상 12:06](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=726s)* 이주 가구는 대부분 이미 존재하던 가구다. 입주 물량에서 이주 가구 수를 단순히 빼서 서울 전체에 그만큼 집이 사라졌다고 계산할 수는 없다. 철거와 준공의 시점, 이주 목적지, 전세와 월세의 선택, 주택 유형을 맞춰야 한다. 다만 가까운 생활권에서 같은 시기에 임대주택을 구하려는 수요가 몰리면 임대료 압력은 충분히 커질 수 있다. 영상은 이 압력이 무주택자의 매수 전환을 유도하고 기존 소유자의 보유 유인을 높이는 경로를 제시한다. 반대 방향의 힘도 같은 구조에서 나온다. IMF는 주택 공급이 비탄력적인 시장에서 수요 충격에 대한 가격 반응이 더 커질 수 있다고 분석한다. 공급이 쉽게 늘지 않는다는 특성은 수요가 강할 때 가격을 더 올릴 수 있지만, 수요가 약해질 때 가격 조정을 막아주는 장치는 아니다. [IMF의 주택시장과 통화정책 분석](https://www.imf.org/en/Blogs/Articles/2024/04/08/housing-is-one-reason-not-all-countries-feel-same-pinch-of-higher-interest-rates) 따라서 임대료가 오르는 것과 더 높은 매매가격을 지불할 수 있는 사람이 늘어나는 것을 나누어 보아야 한다. 소득과 대출 여력이 따라주지 않으면 임대료 상승이 그대로 매수로 이어지지 않는다. 영상 말미에 입주 감소뿐 아니라 매물 증가도 함께 등장하는 이유다. 거래가 뜸해지는 동안 매물과 가격 인하가 쌓이는지를 함께 봐야 공급 부족의 지지력이 실제로 얼마나 강한지 알 수 있다. ## 인구와 은퇴는 소득의 변화로 연결해야 한다 영상의 마지막 축은 2차 베이비붐 세대의 은퇴다. 1964\~1974년생 약 954만 명이라는 큰 집단이 근로소득 감소를 겪으면, 대출 상환과 주택 보유의 선택도 달라질 수 있다는 설명이다. 영상은 특히 1974년생의 연령을 2026년 52세, 2027년 53세, 2028년 54세, 2029년 55세로 놓고 주택시장의 장기 부담과 연결한다. 이는 연도에서 출생연도를 뺀 도표상의 나이이며, 개인의 만 나이는 생일에 따라 달라진다. ![1974년생의 연령 변화와 은퇴·주택 수요를 연결한 영상 도표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/03637ce1-2c3b-4696-885a-6c491045d5c6.webp) *연령 변화는 명확하지만, 평균 퇴직 연령이 특정 출생연도 전체의 퇴직 날짜는 아니다. [영상 13:08](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=788s)* 여기서 ‘53세에 은퇴한다’는 표현은 좁혀 읽어야 한다. 2026년 5월 고령층 부가조사의 53.0세는 55\~79세 가운데 가장 오래 근무한 일자리를 이미 그만둔 사람의 당시 평균 연령이다. 남성 평균은 55.3세다. 모든 취업자가 그 나이에 노동시장에서 완전히 퇴장한다는 뜻도, 1974년생이 2027년에 일제히 소득을 잃는다는 뜻도 아니다. 재취업과 다른 소득, 연금 개시 시점이 이후 현금흐름을 바꾼다. [고령층 부가조사 원문](https://www.korea.kr/briefing/pressReleaseView.do?newsId=156773414) 영상도 1차 베이비붐 세대가 은퇴하던 시기에 집값이 올랐다는 반례를 인정한다. 은퇴 인구 증가만으로 집값 하락을 설명할 수 없다는 뜻이다. 주택 수요는 인구 총수보다 가구 형성·지역 이동·소득·보유 자산·부채 조건에 더 직접적으로 연결된다. 은퇴가 시장의 부담으로 나타나는 시점은 현금흐름이 줄어드는 속도와 주거비·이자 부담이 겹칠 때다. 영상의 2028년 전후 전망도 이 조건들이 겹치는 시나리오로 읽는 것이 타당하다. ## 2027년 이후의 핵심은 상승 동력과 상환 부담의 교대다 영상의 마지막 표는 금리·대출 규제·주식 수익·성과급·공급·인구를 2025\~2029년에 걸쳐 배치한다. 주식 수익과 일부 보상이 먼저 수요를 받쳤고, 공급 부족은 더 오래 남지만, 고금리 재산정과 은퇴에 따른 소득 변화는 뒤늦게 부담을 키운다는 시간표다. ![2025년부터 2029년까지 여섯 요인의 방향을 배치한 영상의 종합표](https://www.readiz.com/assets/authored/2bb20ab7-f9f8-4199-be04-227917e98fe5/c2d47c6b-47cc-4b09-97c3-575c962d20d6.webp) *과거 관측과 미래 전망이 함께 들어 있는 영상의 종합 시나리오. 미래 칸은 확정된 사건이 아니다. [영상 14:16](https://www.youtube.com/watch?v=R4K0qIgCK9Y\&t=856s)* 이 관점을 실제 시장에 적용할 때는 다음 연결이 나타나는지를 보면 된다. | 경로 | 부담이 커지는 변화 | 지지력이 유지되는 변화 | | ------ | ----------------------------- | ------------------------- | | 금리와 대출 | 높은 실제 대출금리가 재산정 대상에 차례로 적용 | 시장금리 하락이 실제 차환 조건 개선으로 연결 | | 자기자금 | 주식 수익 실현 자금이 소진되고 신규 자금 유입 둔화 | 현금 성과급·소득 증가가 구매력을 보충 | | 지역 수급 | 거래 감소와 매물·가격 인하가 함께 누적 | 입주 감소와 임대 수요가 특정 생활권에 집중 | | 은퇴와 소득 | 근로소득 감소가 이자·생활비 부담과 겹침 | 재취업·연금·금융자산이 현금흐름을 보완 | 영상의 금융 논지는 설득력이 있다. **부족한 공급만으로 높은 가격을 계속 감당할 구매력을 만들 수는 없다.** 증시에서 들어오던 돈이 줄어드는 동안 높은 대출 비용이 더 많은 차주에게 적용되면, 주택시장의 상승을 유지하기는 어려워진다. 다만 그 과정은 서울 평균이나 전국 평균에서 한꺼번에 나타나기보다, 대출 의존도가 높은 가격대와 지역에서 먼저 드러날 가능성을 따져야 한다. 따라서 이 영상에서 얻을 결론은 ‘2027년 몇 월에 반드시 꺾인다’는 날짜가 아니다. **2027년 이후의 주택시장을 판단할 때 공급 전망과 함께 구매자의 현금흐름을 앞에 놓아야 한다**는 것이다. 금리의 높이와 지속 시간, 재산정되는 계약, 줄어드는 주식 자금, 실제 지급되는 성과급을 함께 보아야 주택시장이 얼마나 더 버틸 수 있는지 설명할 수 있다. 자료의 정의와 원문 다운로드 경로는 [주택시장 자료 읽기: 금리의 기여도·대출 재산정·은퇴 통계](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/)에 정리했다. --- --- id: "authored/b6dc4eea-6838-49ec-80f0-b5678809d09c" title: "금리와 주택가격: 국토연구원·IMF의 기여도·시차 연구" description: "국토정책Brief 902호, WP 22-09, IMF WEO 2024년 4월 2장. 금리 60.7%의 샤플리 분해와 가격 반응 시차, 공급 비탄력성을 읽는다." kind: "llm-wiki" published: "2026-10-17T12:32:12.715Z" updated: "2026-10-17T13:07:55.300Z" tags: ["주택가격","금리","국토연구원","샤플리 분해","IMF"] url: "https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 금리와 주택가격: 국토연구원·IMF의 기여도·시차 연구 주택가격과 금리의 관계를 조사할 때 사용할 연구 모형과 전달 경로를 모은다. 국토연구원의 설명 기여도·시간가변 반응과 IMF의 주택금융 구조 비교를 함께 읽되, 서로 다른 모형의 수치를 하나의 예측 공식으로 합치지 않는다. 주요 원문: 국토정책Brief 902호, WP 22-09, IMF World Economic Outlook April 2024 Chapter 2. 자료 확인 기준은 2026년 10월 17일이다. ## 국토연구원 902호: ‘금리 60.7%’는 무엇을 분해했는가 이태리·박진백의 「주택시장과 통화(금융)정책의 영향 관계 분석과 시사점」은 국토정책Brief 902호(2023년 1월 30일)다. 분석 기간은 2011년 1월–2021년 12월이다. 기준금리, 대출태도, 준공물량, 가구 수, 경기동행지수의 상대적 설명 기여도를 샤플리 분해로 비교한다. 주가나 성과급을 독립 변수로 직접 넣은 분석은 아니다. [자료 소개](https://www.krihs.re.kr/gallery.es?act=view\&bid=0022\&list_no=29839\&mid=a10103050000) · [PDF 원문 다운로드](https://www.krihs.re.kr/galleryDownload.es?bid=0022\&list_no=29839\&seq=1) ![세 가지 주택가격 지수별 금리·대출태도·공급·가구·경기 설명 기여도](https://www.readiz.com/assets/authored/b6dc4eea-6838-49ec-80f0-b5678809d09c/d517dc2d-393a-4167-a717-28fc8129f990.webp) *국토정책Brief 902호 표 1의 수치를 재작성. 비교 기간과 변수는 같아도 가격 지수에 따라 기여도가 달라진다.* 부동산원 조사 지수에서 기준금리 60.7%, 준공물량 8.5%라는 결과는 실거래 지수에서 각각 45.7%, 18.4%로 달라진다. 이 수치를 ‘가격의 몇 퍼센트를 누가 결정한다’는 인과적 책임 비율이나 미래 하락률로 바꾸지 않는다. 특정 표본과 모형에서 설명력을 배분한 결과다. 새 연구와 비교할 때는 변수·표본 기간·가격 지표가 같은지부터 확인한다. ## 금리의 효과는 언제 나타나는가 박진백의 「주택가격에 대한 금리의 시간가변적인 영향 연구」(WP 22-09, 2022년 7월)는 1991년 3월–2022년 3월 자료에 VAR, 국소투영, 시간가변 모형을 적용한다. 금융위기 전후와 금리 인상·인하를 나누어 보는 데 유용하다. [자료 소개](https://www.krihs.re.kr/board.es?act=view\&bid=0008\&list_no=381813\&mid=a10607000000) · [PDF 원문 다운로드](https://www.krihs.re.kr/boardDownload.es?bid=0008\&list_no=381813\&seq=2) 연구의 금융위기 이후 결과에서 금리 인상에 대한 가격 반응은 약 12–15개월 뒤 나타난다. 인하 반응은 더 빠르게 나타나고 약 15–18개월 유지되는 것으로 분석된다. 이 추정치를 특정 채권금리의 임계치 돌파일부터 세는 달력으로 사용해서는 안 된다. 충격의 정의, 기준금리와 시장금리의 구분, 가격과 연체율처럼 반응 변수의 차이가 중요하다. 역사 사례도 사건의 순서를 분리한다. 2006년 6월 29일 연준은 정책금리를 5.25%로 올리는 발표에서 이미 주택시장의 냉각을 언급했다. 고금리 유지 기간과 가격이 처음 내려간 시점을 같은 것으로 취급하지 않는다. 미국 가격 흐름을 대조할 때는 전국·도시별 지수와 계절조정 여부를 명시한다. [연준 발표](https://www.federalreserve.gov/newsevents/pressreleases/monetary20060629a.htm) · [FRED 전국 주택가격 지수 CSUSHPINSA](https://fred.stlouisfed.org/series/CSUSHPINSA) ## IMF: 고정금리와 공급의 비탄력성이 전달 경로를 바꾼다 IMF의 2024년 4월 세계경제전망 2장 「Feeling the Pinch? Tracing the Effects of Monetary Policy through Housing Markets」는 주택금융 구조에 따른 통화정책의 차이를 비교한다. 고정금리 비중이 낮고, 가계의 부채와 대출 레버리지가 크며, 주택 공급이 비탄력적인 환경에서는 전달 효과가 강해질 수 있다. [보고서 페이지](https://www.imf.org/en/Publications/WEO/Issues/2024/04/16/world-economic-outlook-april-2024) · [2장 PDF](https://www.imf.org/-/media/files/publications/weo/2024/april/english/ch2.pdf) · [전체 HTML 원문](https://www.elibrary.imf.org/display/book/9798400255892/CH002.xml) · [IMF 해설](https://www.imf.org/en/Blogs/Articles/2024/04/08/housing-is-one-reason-not-all-countries-feel-same-pinch-of-higher-interest-rates) 공급이 부족하다는 주장과 금리 상승에 가격이 안전하다는 주장은 같지 않다. 공급량이 수요 변화에 쉽게 대응하지 못하면 수요 충격이 가격에 더 크게 반영될 수 있다. 기존 저금리 장기 고정대출은 보유자의 현금흐름을 보호하고 매물을 줄일 수 있지만, 새 매수자의 대출 여력까지 보호하지는 않는다. 국가 간 비교에서는 고정금리의 정의와 고정 기간부터 맞춘다. ## 연구와 현재 시장 데이터를 연결하는 방법 | 연구가 답하는 질문 | 현재 판단에 추가로 필요한 자료 | | ---------------------- | ----------------------------- | | 모형에서 어떤 변수의 설명 기여도가 큰가 | 동일 가격 지수와 변수로 갱신한 표본 | | 금리 충격 뒤 가격은 언제 반응했는가 | 충격의 정의, 대출 전달 속도, 정책·경제 여건 | | 국가별 전달 강도는 왜 다른가 | 고정 기간, 재산정 계약, 가계 레버리지와 공급 반응 | 금리 기여도는 미래 하락률이 아니며, 추정된 시차는 특정 날짜부터 세는 하락 예정일이 아니다. 주간 조사 지수와 월별 실거래 지수, 전국과 서울, 고점 대비와 연간 변화를 구분한다. ## 함께 찾을 자료 [한국은행 대출금리·가계신용·재산정 계산](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/) · [은퇴 통계와 정년 제도의 고용효과](https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/) · [정책 기대와 장기금리](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/de3006e3-f4af-47d0-b671-780d63f74515" title: "국채 5% 시대, 미국 주식은 정보보다 투자 기준이 중요하다" description: "오선 인터뷰로 살펴본 원문 확인과 투자 계획, 국채의 기회비용, 24시간 거래, AI 에이전트와 산업 변화." kind: "record" published: "2026-10-16T14:57:00.843Z" updated: "2026-11-11T06:31:59.360Z" tags: ["투자","금리","AI"] url: "https://www.readiz.com/records/us-stocks-five-percent-yields-information-investment-plan/" markdownUrl: "https://www.readiz.com/records/us-stocks-five-percent-yields-information-investment-plan/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 국채 5% 시대, 미국 주식은 정보보다 투자 기준이 중요하다 미국 국채가 5% 안팎의 수익률을 제시하고, 뉴스와 AI가 매매 속도를 높일수록 투자자는 먼저 자신의 기준을 세워야 한다. **무슨 소식을 남보다 빨리 들었는가보다, 그 소식이 내가 투자한 이유를 바꾸는가가 중요해진다.** 국채라는 대안의 보상이 커졌고, 거래 기회가 늘어난 만큼 불필요한 매매의 기회도 늘었기 때문이다. PLUS TV의 오선 인터뷰는 이 문제를 금리, 투자 정보, AI, 금융 콘텐츠의 변화로 연결한다. 오선은 시장의 변동성을 기회로 보면서도, 뉴스를 주가의 정답지처럼 받아들이는 태도를 경계한다. 이 글은 2026년 10월 11일 촬영해 15일 공개한 인터뷰를 바탕으로, 공식 자료에서 확인한 금리와 거래 제도를 함께 살펴본다. [YouTube: 국채 금리 5% 시대에 현명하게 미국주식 하는 법](https://www.youtube.com/watch?v=V4mCCBmoCdc) ## 매일 시장을 설명하는 사람도 원문을 다시 보라고 한다 오선은 2019년 2월 미국 증시 방송을 시작했다. 당시에는 미국 경제지표와 연준을 한국어로 함께 읽어 주는 정보가 충분하지 않았다는 것이 그의 회고다. 인터뷰에서 소개한 일과는 오후 3시 무렵 일어나 주요 발언과 뉴스를 확인하고, 방송을 준비한 뒤 밤새 시장을 지켜보는 방식이다. 방송이 끝나면 그날의 뉴스를 모아 보고서와 영상으로 정리한다. 정보를 전달하는 일의 상당 부분은 실시간 반응 이전의 준비와 이후의 정리에 놓여 있다. [영상 1:16–5:29](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=76s) 장이 열리기 전에는 소비자물가, 생산자물가, 소매판매, 고용 등 그날 발표된 주요 지표와 전문가의 해석을 확인한다. 특별한 발표가 없는 날에는 시장을 움직이는 쟁점을 먼저 찾는다. 그에게 설명하기 어려운 날은 큰 뉴스가 나온 날보다, 뚜렷한 원인을 찾지 못한 채 가격이 움직이는 날이다. 그런 때에는 억지로 하나의 원인을 붙이기보다 전문가들조차 해석이 갈리는 상황을 설명한다고 한다. 이 태도는 투자자가 정보를 읽는 방법에도 이어진다. SNS의 발언이 실제 공식 계정에서 나온 것인지, 번역이나 요약에서 조건이 빠지지는 않았는지 원문으로 돌아가야 한다. 오선은 자신이 전달한 정보 역시 예외로 두지 않는다. 전달자의 신뢰도와 별개로, 요약은 원문에서 일부를 선택한 결과이기 때문이다. ![요약된 정보에서 원문으로 돌아가 다시 확인하라는 설명](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/cf70a99c-2c1f-4cf2-ba71-957d47763009.webp) *요약된 정보에서 원문으로 돌아가 다시 확인하라는 설명. [PLUS TV, 7:38](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=458s)* 뉴스의 크기와 시장 반응의 크기도 같지 않다. 소문이 먼저 가격에 반영됐다면 공식 발표 때 움직임이 작을 수 있고, 오래 이어진 사건은 시장에 익숙한 위험이 될 수 있다. 같은 전쟁 뉴스라도 공급 차질을 새로 늘리는 내용인지, 이미 알려진 상황의 반복인지에 따라 의미가 달라진다. 뉴스 제목의 강도보다 기존 기대에서 무엇이 달라졌는지를 읽어야 하는 이유다. [영상 5:30–8:15](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=330s) ## 잠든 사이의 가격을 견디려면 먼저 투자 방식을 정해야 한다 한국에서 미국 주식에 투자하면 자는 동안 가격이 변한다. 오선은 그 불편을 해결하려고 모든 뉴스를 따라가기 전에, 자신의 자산을 어떤 방식으로 운용할지 정하라고 말한다. 전체 자산 중 얼마를 넣을지, 정기적으로 모아 갈지, 자금을 빠르게 회전시키는 거래를 할지, 어떤 산업의 변화를 보고 투자하는지가 먼저다. 이 구분 없이 장기 성장에 투자했다가 단기 속보가 나올 때마다 행동을 바꾸면 서로 다른 전략을 한 계좌에서 충돌시키게 된다. [영상 8:16–9:38](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=496s) 인터뷰의 ‘게임플랜’을 실제 판단에 쓰려면 질문을 구체화할 필요가 있다. 다음은 그 설명을 바탕으로 정리한 적용 틀이다. | 먼저 정할 것 | 뉴스가 나왔을 때 확인할 것 | | ----------------- | ---------------------------------- | | 투자 자금의 목적과 사용할 시점 | 가격 하락 때문에 예정했던 지출이나 상환에 문제가 생기는가 | | 적립식 투자인지 단기 거래인지 | 지금 하려는 행동이 처음 정한 방식에 맞는가 | | 기업이나 산업을 선택한 이유 | 매출·비용·경쟁력·자금 조달에 관한 전제가 실제로 바뀌었는가 | | 감당할 비중과 손실의 범위 | 새 정보를 핑계로 처음 정한 위험 한도를 늘리고 있지는 않은가 | | 판단을 다시 할 조건 | 단순한 가격 변화인가, 원문에서 확인한 사업 조건의 변화인가 | 잠을 자는 동안 모든 움직임에 대응하지 못한다는 사실은 이 틀 안에서 다룰 문제다. 장기 전제가 유지되는데도 순간적인 공포 때문에 거래를 반복한다면, 오히려 거리를 두고 다음 날 정보를 정리하는 쪽이 처음 계획에 맞을 수 있다. 반대로 짧은 가격 변화를 거래하기로 했다면 그 전략에 필요한 관찰 시간과 실행 수단을 갖추어야 한다. 어느 쪽이든 자신의 생활과 자금 사정이 감당할 수 있는 전략이어야 지속할 수 있다. 오선은 현재 자신은 주식이나 ETF 등에 투자하지 않는다고 밝힌다. 정보를 전달하는 사람이 특정 포지션을 가지고 있으면, 시청자가 뉴스 선택과 설명을 그 포지션에 연결해 해석할 수 있어서라고 설명한다. 이는 그의 방송 운영 방식이다. 현금 보유나 특정 자산 회피를 시청자에게 권하는 발언으로 읽을 이유는 없다. [영상 11:21–12:09](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=681s) ## 거래 시간이 늘어나도 좋은 가격이 자동으로 생기지는 않는다 인터뷰는 주말까지 이어지는 미국 주식 거래를 논의한다. 오선이 먼저 묻는 것은 거래량이다. 주문할 수 있는 시간이 늘어나도 그 시간에 거래 상대방과 기관 자금이 충분히 들어와야 가격 형성과 체결 여건이 달라진다. 암호화폐를 먼저 경험한 투자자에게 상시 거래는 익숙하지만, 익숙함 자체가 유동성을 보장하지는 않는다. [영상 9:39–11:20](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=579s) 여기에는 제도 구분이 필요하다. 로빈후드는 [2026년 9월 29일 발표](https://robinhood.com/newsroom/hood-summit-2026/)에서 일부 미국 주식·ETF의 주말 거래를 규제 검토를 전제로 다음 해 초 도입할 계획이라고 밝혔다. 기존 평일 24시간 서비스의 확장 계획이다. 한편 [NYSE Arca의 시간 확대 안내](https://www.nyse.com/trade/equities/extended-hours-trading)는 별도의 거래소 운영 계획을 설명한다. 증권사 서비스, 대체거래시스템, 거래소의 일정과 적용 종목을 함께 묶어 ‘미국 주식 전체가 이미 24시간·주 7일 열린다’고 읽으면 안 된다. [SEC의 시간외 거래 안내](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-bulletins-42)는 유동성 부족, 넓은 매수·매도 호가 차이, 가격 변동, 시장 간 가격 차이와 주문 처리의 차이를 짚는다. 뉴스 직후 매수 주문을 낼 수 있어도 원하는 수량을 합리적인 가격에 살 수 있는지는 별개다. 거래 시간의 확대가 주는 실질적인 이점은 선택권이다. 그 시간을 모두 매매로 채워야 할 의무가 생기는 것은 아니다. ## 국채 5%는 주식을 보유하는 이유를 더 엄격하게 묻게 한다 인터뷰 중반의 시장 진단은 금리에서 시작한다. 오선은 물가 우려, 만성적인 재정적자, AI 투자에 필요한 차입과 채권 발행을 함께 거론한다. 자금을 조달하려는 수요가 커지고 투자자가 더 높은 보상을 요구하면, 정부와 기업이 돈을 빌리는 비용이 높아진다는 설명이다. 채권 공급과 수요에 관한 이 설명은 그의 시장 해석이며, 요인별 기여도를 계량적으로 분해한 결과는 아니다. [영상 13:45–15:02](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=825s) 제목의 5%가 무엇을 가리키는지는 만기를 붙여야 분명해진다. 미국 재무부의 일별 국채 수익률에서 촬영 직전 거래일인 10월 9일은 2년물 4.80%, 5년물 5.02%, 10년물 5.24%, 30년물 5.60%였다. 10월 15일에는 각각 4.77%, 4.91%, 5.10%, 5.43%였다. 장기물의 높은 금리 수준은 확인되지만, 두 날짜 사이에는 하락했다. ‘고금리’라는 수준의 판단과 ‘계속 상승 중’이라는 방향의 판단을 나누어야 한다. ![2026년 10월 9일과 15일 미국 국채의 2년·5년·10년·30년 수익률 비교](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/21c22ff8-b924-4b15-93a8-86a7e3af775b.webp) *미국 재무부의 일별 명목 국채 수익률로 직접 작성한 비교 도표. 단위는 연 %, 만기는 범주형 간격이며 세로축은 4.50%부터 시작. [원자료](https://home.treasury.gov/resource-center/data-chart-center/interest-rates/TextView?type=daily_treasury_yield_curve\&field_tdr_date_value=2026)* 이 수치는 연준이 직접 정하는 정책금리와도 다르다. 정책금리는 은행 간 초단기 자금시장의 기준이고, 장기 국채에는 앞으로의 단기금리 예상과 오랜 기간 돈을 묶어 두는 위험에 대한 보상 등이 반영된다. 연준의 [기간구조 모형 설명](https://www.federalreserve.gov/data/three-factor-nominal-term-structure-model.htm)도 기대 단기금리와 기간 프리미엄을 구별한다. 다음 회의에서 금리를 동결한다는 예상만으로 10년물·30년물 금리까지 고정되는 것은 아니다. 국채 수익률이 높아지면 주식 투자에는 두 방향의 부담이 생긴다. 기업은 신규 차입이나 차환 때 더 높은 이자 비용을 부담할 수 있고, 투자자는 국채라는 대안과 주식의 불확실한 현금흐름을 비교한다. 같은 이익 전망과 같은 주가라면, 안전자산에서 얻을 수 있는 보상이 높아질수록 주식의 상대적인 매력은 줄어든다. 이때 주식을 보유할 이유는 성장의 크기, 그 성장에 필요한 비용, 현재 가격으로 좁혀진다. 진행자는 S\&P 500의 기대수익률과 국채금리 차이가 약 1%포인트라는 분석을 소개한다. 다만 영상에는 기대수익률의 산식과 기준일이 제시되지 않는다. 이익수익률에서 국채금리를 뺀 값인지, 배당과 성장률을 반영한 기대수익률인지에 따라 해석이 달라지므로 이를 확정된 주식 위험 프리미엄으로 사용할 수는 없다. 인터뷰에서 확실히 읽을 수 있는 판단은 국채의 경쟁력이 높아져 주식의 위험과 관리 부담에 대한 보상을 더 엄격하게 따져야 한다는 것이다. 오선 역시 그 부담을 인정하면서 주식시장에 기회가 남아 있다는 견해를 덧붙인다. [영상 15:03–15:43](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=903s) ## 높은 채권 이자와 채권 가격의 안전은 다른 문제다 국채로 관심을 돌린 투자자가 마주치는 다음 질문은 보유 기간이다. 고정된 이자를 지급하는 채권을 산 뒤 시장금리가 더 오르면, 새로 발행되는 채권과 경쟁하기 위해 기존 채권의 거래 가격은 내려간다. 오선은 전쟁 장기화와 물가 압력이 금리를 다시 밀어 올릴 가능성을 채권 투자자가 살필 위험으로 꼽는다. [영상 15:44–16:23](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=944s) [SEC의 금리 위험 설명](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-bulletins-86)도 시장금리와 고정금리 채권 가격의 반대 관계를 강조한다. 대체로 만기가 길수록 금리 변화에 따른 가격 영향이 커진다. 개별 채권을 만기까지 보유할 때의 현금흐름과 중간에 매도할 때의 시장가격을 구별해야 한다. 만기가 돌아오면 액면을 상환받는 개별 채권과 여러 채권을 계속 교체해 보유하는 일반적인 채권 ETF도 같은 상품이 아니다. 원화로 생활하는 투자자라면 여기에 환율이 겹친다. 달러 기준 이자를 받았더라도 달러 가치가 원화에 비해 내려가면 원화로 환산한 수익은 줄어들 수 있다. 따라서 ‘국채 5%’는 원화 기준의 확정 수익률이 아니다. 만기, 매도 가능 시점, 통화, 세금과 비용까지 맞춘 뒤 자신이 원하는 대안인지 판단해야 한다. ## FOMC는 결정 숫자보다 예상의 변화로 읽는다 오선은 촬영 당시 시장이 10월 FOMC의 동결에 더 무게를 두고 있다고 설명한다. 연준 인사들의 발언과 고용 자료를 그 배경으로 든다. 이는 10월 11일 인터뷰 시점의 전망이다. [CME FedWatch](https://www.cmegroup.com/articles/2023/understanding-the-cme-group-fedwatch-tool-methodology.html)는 연방기금금리 선물 가격과 모형 가정에서 회의 결과의 확률을 계산한다. 연준의 약속이나 결과를 확정하는 표가 아니다. 예상했던 동결이 발표되면 투자자가 새로 읽는 것은 그 이후의 경로다. 물가를 얼마나 우려하는지, 고용을 어떻게 평가하는지, 다음 판단에 어떤 자료를 중요하게 보는지가 미래 자금 비용에 대한 기대를 바꾼다. 오선이 발표 당일과 다음 날의 움직임을 함께 보라고 하는 이유도 여기에 있다. 성명과 기자회견의 첫 문장에 반응한 가격이 전체 내용을 소화한 뒤의 가격과 다를 수 있다. [영상 16:24–17:50](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=984s) ![FOMC 결정 이후의 정책 경로에 주목하는 설명](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/d0a35085-41f1-446c-94d4-6c42ace2dabf.webp) *FOMC 결정 이후의 정책 경로에 주목하는 설명. [PLUS TV, 17:18](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1038s)* 금리가 기업에 전달되는 경로는 구체적이다. 자금을 빌려 AI 설비에 투자하는 기업은 금리가 높아질수록 같은 사업에서 벌어야 할 현금이 늘어난다. 매출이 계획보다 늦게 발생하면 이자 부담을 버틸 자금도 더 필요하다. 연준이 설명하는 [통화정책의 전달 경로](https://www.federalreserve.gov/aboutthefed/fedexplained/monetary-policy.htm)는 단기금리에서 전반적인 금융 여건, 가계·기업의 지출, 고용과 물가로 이어진다. 기업의 차입 구조와 현금흐름을 함께 봐야 금리 뉴스를 사업의 문제로 옮겨 읽을 수 있다. ## AI는 정보 처리를 줄여 주지만 투자 판단을 없애 주지는 않는다 영상 후반부에서 오선은 AI가 정보 수집·번역·요약을 넘어 투자 업무를 크게 바꿀 수 있다고 본다. 동시에 같은 정보에도 시장 반응이 다른 이유를 이해하려면 여러 국면을 비교해 보는 경험이 필요하다고 말한다. 한 번의 정답을 외우기보다, 어떤 조건에서 같은 뉴스가 다르게 받아들여졌는지를 쌓아 가는 과정이다. [영상 18:36–19:53](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1116s) AI 에이전트가 주문까지 실행하는 문제에서도 편리함과 성과를 분리한다. 오선은 직접 도구를 써 본 경험을 소개하면서, 초반의 높은 관심이 계속 같은 사용량으로 이어지지는 않았다고 말한다. 이 경험을 이용자 전체의 통계로 넓힐 수는 없지만, 기능 시연의 인상과 반복 사용의 가치는 다를 수 있다는 사례다. 로빈후드의 공식 발표 역시 에이전트에 별도 계정 자금과 사용자가 정한 전략·한도를 연결하고, 거래별 수동 승인을 기본 설정으로 설명한다. 도구가 무엇을 할 수 있는가와 어느 범위까지 맡길 것인가는 다른 결정이다. ![같은 전략에 참여자가 몰릴 때 수익 기회가 줄어들 수 있다는 설명](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/20d1c35d-839d-4fcd-bcc9-8ba331947f43.webp) *같은 전략에 참여자가 몰릴 때 수익 기회가 줄어들 수 있다는 설명. [PLUS TV, 21:38](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1298s)* 그가 제기하는 더 근본적인 질문은 경쟁이다. 널리 알려진 전략에 많은 자금이 같은 방식으로 들어가면, 처음 발견했을 때의 가격 차이나 기회가 줄어들 수 있다. AI로 정보를 빨리 처리할 수 있어도, 같은 기회를 노리는 다른 참여자보다 어떤 우위가 남는지를 봐야 한다. [영상 19:54–22:05](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1194s) 오류도 더 빨리 실행될 수 있다. [SEC·NASAA·FINRA 공동 안내](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-alerts/artificial-intelligence-fraud)는 AI가 부정확하거나 오래된 입력을 사용할 수 있고, 입력이 정확하더라도 잘못된 결과를 만들 수 있다고 설명한다. 투자 원문과 기준 시점을 확인하는 습관은 자동화 이후에도 필요하다. 사람에게 필요한 일은 모든 문장을 직접 만드는 것이 아니라, 중요한 판단의 출처와 실행 범위를 책임 있게 정하는 것이다. ## AI 매출·설비투자·생산성은 서로 다른 속도로 움직인다 인터뷰는 10월 8일 OpenAI의 매출 관련 보도로 기술주가 흔들린 사례를 다룬다. 진행자는 기존 추정과 200억 달러의 차이를 언급하고, 오선은 500억·700억 달러라는 숫자의 차이가 보도에서 설명됐는데도 시장이 민감하게 반응했다고 말한다. 그에게 이 장면은 AI에 대한 기대와 자금의 집중, 매출에 대한 불안이 함께 커졌다는 사례다. [영상 22:07–23:18](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1327s) ![OpenAI 매출 보도에 대한 시장의 민감한 반응을 설명하는 장면](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/733c795b-d7d2-4859-b131-ac43dac78ded.webp) *OpenAI 매출 보도에 대한 시장의 민감한 반응을 설명하는 장면. [PLUS TV, 23:04](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1384s)* 여기서 500억·700억 달러를 이미 끝난 한 해의 확정 매출로 바꾸어 읽어서는 안 된다. 이 숫자는 연환산 매출이다. [Axios의 10월 8일 보도](https://www.axios.com/2026/10/08/openai-50-billion-arr-anthropic-revenue-accounting)는 총액 환산 방식의 차이를 설명한다. 연환산은 특정 기간의 매출 속도를 1년 규모로 바꾸어 보는 계산이다. 익명 취재원에 근거한 보도 수치이므로 확정 공시처럼 다루기보다, 기간과 매출 인식 범위를 맞추어 읽는 사례로 활용하는 편이 정확하다. 서로 다른 정의의 두 숫자를 바로 빼서 사업이 그만큼 악화됐다고 판단할 수는 없다. 오선은 AI 기술 자체를 큰 산업 변화의 초기 단계로 본다. 모델만 보아서는 그 변화를 다 읽기 어렵다. 반도체, 데이터센터, 전력과 냉각, 네트워크, 소프트웨어, 보안처럼 연결된 분야마다 돈을 쓰는 주체와 매출을 얻는 주체가 다르다. 기술의 활용도가 커지는 과정에서도 어느 기업에 언제 현금이 쌓이는지는 따로 봐야 한다. ![AI 투자 수요와 소비자물가의 연결을 설명하는 장면](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/0beea9c9-19a1-4a3a-bbc7-9c0191c0fe3f.webp) *AI 투자 수요와 소비자물가의 연결을 설명하는 장면. [PLUS TV, 24:14](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1454s)* 설비를 먼저 늘리는 단계에는 반도체·전력·건설 등 한정된 투입요소를 둘러싼 수요가 커진다. 이후 업무 방식이 바뀌고 생산성이 높아지면 같은 비용으로 더 많은 생산을 할 수 있다. 비용 압력과 생산성의 이득이 같은 시점에 나타나지 않는다는 것이 핵심이다. [리사 쿡 연준 이사의 2026년 9월 28일 연설](https://www.federalreserve.gov/newsevents/speech/cook20260928a.htm)도 이 시차를 분석한다. AI 관련 수요가 특정 부문에 집중되는 현상과 경제 전반의 압력을 나누고, 생산성 향상의 물가 완화 효과가 나타나기까지 시간이 걸릴 수 있다고 설명한다. 투자에서 중요한 것은 이 시차를 버틸 수 있는 사업 구조다. 투입 비용과 이자는 먼저 나가는데 고객이 지불하는 매출이 늦게 늘어난다면 자금 부담이 커진다. 반대로 실제 수요가 늘어나는 곳에 필요한 장비나 서비스를 공급하는 기업은 다른 시점에 매출을 얻는다. ‘AI가 발전한다’는 판단만으로 모든 관련 종목에 같은 가치와 같은 가격을 줄 수 없는 이유다. ## 같은 AI 안에서도 관심과 수익은 이동한다 오선은 시장의 관심이 빅테크, 반도체, 통신·네트워크 장비 등으로 이동한다고 관찰한다. 네트워크와 보안은 시장의 관심을 받기 전에도 AI 서비스에 필요했다. 필요성 자체는 계속 있었지만, 자금이 덜 몰린 곳이나 추가 상승 여지가 있다고 여겨지는 곳으로 투자자의 시선이 옮겨 간다는 설명이다. 이는 촬영 당시의 시장 관찰이지, 다음 순환 업종을 확정하는 매매 순서가 아니다. [영상 24:50–26:02](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1490s) ![AI 관련 업종 안에서 시장의 관심이 이동하는 현상](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/ced39b0b-c23a-427b-8e7f-de0158973696.webp) *AI 관련 업종 안에서 시장의 관심이 이동하는 현상. [PLUS TV, 25:27](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1527s)* AI의 가치가 과대평가됐는지 과소평가됐는지에 대한 그의 답도 업종별 체감의 차이에서 출발한다. 개발·금융·법률 등 업무 안에서 도구를 적극적으로 쓰는 사람과, 검색창 대신 질문하는 정도로 쓰는 사람은 같은 기술을 다르게 평가할 수 있다. 화면 뒤에서 이루어지는 작업의 변화는 최종 이용자에게 바로 보이지 않는다. 오선은 이를 인터넷에 비견되는 변화로 보되, 보편적인 사용과 사업 성과가 퍼져 가는 속도를 관찰해야 한다고 말한다. [영상 26:03–29:05](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1563s) 이 관점을 투자에 적용할 때에는 기술의 가능성, 실제 사용, 고객의 지불, 기업의 이익을 차례로 연결해야 한다. 사용이 늘었다는 사실은 중요한 출발점이지만, 비용을 제외한 이익이 어느 회사에 남는지까지 보여 주지는 않는다. 산업의 방향을 긍정하면서도 특정 기업의 가격에는 엄격할 수 있는 이유가 여기에 있다. ## 정보의 양을 늘리는 일에서 판단을 돕는 일로 마지막 주제는 오선이 운영하는 정보 플랫폼 세이브다. 그는 라이브 시청자가 많아지면서 질문을 모두 다루기 어려워졌고, 쏟아지는 정보를 객관적으로 모아 전달할 공간이 필요했다고 설명한다. 인터뷰 시점에는 무료로 제공한다고 말하며, 정보 접근의 장벽을 낮춰 개인 투자자가 배우고 시장에 오래 남을 수 있게 하려는 취지를 밝힌다. 향후 다른 방식의 수익화 가능성도 함께 언급하므로, 이를 영구적인 무료 운영 약속으로 확대할 수는 없다. [영상 29:07–30:48](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1747s) ![세이브의 강점으로 정보 큐레이션을 설명하는 장면](https://www.readiz.com/assets/authored/de3006e3-f4af-47d0-b671-780d63f74515/eb722f2d-6748-4b13-b456-88c698863947.webp) *세이브의 강점으로 정보 큐레이션을 설명하는 장면. [PLUS TV, 31:01](https://www.youtube.com/watch?v=V4mCCBmoCdc\&t=1861s)* AI로 수집과 요약이 쉬워진 시대에 그가 내세우는 가치는 정보의 선별과 배치다. 지금 시장에서 무엇이 중요한지, 어떤 소식이 움직임과 연결되는지 쉽게 파악하도록 돕는 일이다. 다만 눈앞의 가격 변화에 붙은 설명 역시 원문과 다른 가능성을 대조해야 한다. 좋은 정리는 판단의 출발점을 줄 뿐, 투자자의 자금 목적과 위험 한도를 대신 정해 주지 않는다. 인터뷰는 밤늦게까지 함께하는 시청자에 대한 감사와 자신의 투자 관점을 되돌아보라는 말로 끝난다. 국채 5%는 주식을 보유할 이유를 더 선명하게 요구하고, 늘어난 거래 시간은 행동할 조건을 더 분명히 요구하며, AI는 검증과 실행의 기준을 더 구체적으로 요구한다. **정보가 늘어날수록 투자자에게 필요한 것은 모든 자극에 반응하는 속도가 아니라, 원문을 확인하고 자신의 전제와 시장의 변화를 연결하는 능력이다.** 그 기준이 있어야 새로운 도구와 변동성을 기회로 사용할 수 있다. --- --- id: "authored/49aad072-851c-4af1-8814-89f543587591" title: "미국 국채금리와 FedWatch: 만기·기간 프리미엄·정책 기대" description: "미국 재무부 수익률곡선, 연준 기간 프리미엄 모형, CME FedWatch 방법론과 채권 가격·만기 현금흐름을 읽는다." kind: "llm-wiki" published: "2026-10-16T14:49:53.821Z" updated: "2026-11-07T13:05:20.851Z" tags: ["미국 국채","FedWatch","기간 프리미엄","채권","연준"] url: "https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # 미국 국채금리와 FedWatch: 만기·기간 프리미엄·정책 기대 미국 국채 수익률과 통화정책 기대를 조사할 때 사용할 원자료와 정의를 정리한다. Treasury Par Yield Curve Rates, FedWatch, 기대 단기금리와 기간 프리미엄을 구분하고 채권의 가격·현금흐름을 연결한다. 기존 수치 사례는 2026년 10월 16일 확인분이며, 11월 7일에 11월 6일 수익률과 2020년 정책 원문을 추가했다. 각 수치의 관측일과 정책 발표일은 본문에 적었다. ## 국채금리: 재무부의 같은 날짜·같은 만기를 비교한다 [미국 재무부 Daily Treasury Par Yield Curve Rates](https://home.treasury.gov/resource-center/data-chart-center/interest-rates/TextView?type=daily_treasury_yield_curve\&field_tdr_date_value=2026)는 만기별 명목 국채 수익률을 제공한다. 단위는 연 %이며, 개별 채권의 쿠폰이나 투자자의 원화 환산 수익률과 구별해야 한다. | 미국 거래일 | 2년 | 5년 | 10년 | 30년 | | ---------- | ---: | ---: | ---: | ---: | | 2026-10-09 | 4.80 | 5.02 | 5.24 | 5.60 | | 2026-10-15 | 4.77 | 4.91 | 5.10 | 5.43 | ![2026년 10월 9일과 15일 미국 국채의 2년·5년·10년·30년 수익률 비교](https://www.readiz.com/assets/authored/49aad072-851c-4af1-8814-89f543587591/8c4d4db7-1e16-40c6-9290-5efe0c6caa09.webp) *미국 재무부의 일별 명목 국채 수익률로 직접 작성한 비교 도표. 단위는 연 %, 만기는 범주형 간격이며 세로축은 4.50%부터 시작. [원자료](https://home.treasury.gov/resource-center/data-chart-center/interest-rates/TextView?type=daily_treasury_yield_curve\&field_tdr_date_value=2026)* 같은 주의 비교에서도 금리가 높은 수준이라는 설명과 그 사이 상승했다는 설명은 달라진다. 위 표에서 10년물은 두 날짜 모두 5%를 넘지만, 10월 15일은 9일보다 0.14%포인트 낮다. 일중 고점과 일별 관측치를 섞어 ‘몇 년 만의 최고’를 판정하지 않는다. 해당 순위가 필요하면 같은 계열의 과거 전체 구간으로 다시 계산한다. 새 글에서는 표의 조회일만 바꾸지 말고 실제 관측일과 값, 사용한 만기를 함께 갱신한다. 명목 수익률, 실질 수익률, Treasury Bill의 할인율 표는 서로 다른 자료다. 2026년 11월 7일에 추가로 확인한 [미 재무부 원본 XML](https://home.treasury.gov/resource-center/data-chart-center/interest-rates/pages/xml?data=daily_treasury_yield_curve\&field_tdr_date_value=2026)의 11월 6일 항목은 `NEW_DATE=2026-11-06T00:00:00`, `BC_10YEAR=4.86`이다. 해당 날짜의 10년물 명목 수익률은 연 4.86%다. 앞선 10월의 5% 이상 관측치와 날짜를 나눠 읽는다. [연준 H.15](https://www.federalreserve.gov/releases/h15/)처럼 여러 거래일을 싣는 표에서는 문서 발표일과 값이 속한 날짜 열도 따로 확인한다. ## 정책금리와 장기금리의 연결 [Federal Reserve, The Fed Explained: Monetary Policy](https://www.federalreserve.gov/aboutthefed/fedexplained/monetary-policy.htm)는 정책 결정에서 금융 여건, 가계·기업의 지출, 고용과 물가로 이어지는 전달 경로를 설명한다. 정책금리의 변화가 기업별 손익에 전달되는 시점은 차입 만기와 금리 조건에 따라 달라진다. [연준의 Three-Factor Nominal Term Structure Model 설명](https://www.federalreserve.gov/data/three-factor-nominal-term-structure-model.htm)은 장기 수익률을 기대 단기금리와 기간 프리미엄으로 나누어 읽는 출발점이다. 이 모형의 기간 프리미엄은 직접 관측한 가격이 아닌 추정치이며, 모형과 재추정에 따라 달라질 수 있다. 특정 날의 금리 상승을 전부 재정적자나 특정 산업의 차입 때문이라고 귀속하려면 별도의 분석이 필요하다. [FedWatch 방법론](https://www.cmegroup.com/articles/2023/understanding-the-cme-group-fedwatch-tool-methodology.html)은 연방기금금리 선물에서 회의별 금리 결과의 확률을 계산한다. 금리 조정 단위 등 가정이 포함된다. 확률을 인용할 때는 관측 시각·대상 회의·금리 구간을 함께 남긴다. 이는 시장 가격에서 도출한 전망이며 연준이 공표한 확률이 아니다. 정책 방향의 근거로는 연설, 회의 성명, 기자회견, 의사록의 성격도 구별한다. 위원의 발언 하나를 FOMC 전체의 결정으로 쓰지 않는다. 가격에 이미 반영된 예상과 발표에서 새로 달라진 내용을 나누어야 발표 전후의 시장 반응을 설명할 수 있다. ## 2020년 3월 23일의 정책 원문 [연준의 2020년 3월 23일 FOMC 성명](https://www.federalreserve.gov/newsevents/pressreleases/monetary20200323a.htm)은 시장 기능과 통화정책 전달을 뒷받침하는 데 필요한 규모로 국채와 기관 주택저당증권을 매입하겠다고 밝혔다. 같은 문서의 연방기금금리 목표 범위는 0–0.25%다. 이 정책금리와 시장에서 관측한 10년물 수익률을 각각 기록하면 당시 통화 완화의 수단과 자금 조달 여건을 연결할 수 있다. 주가 회복을 설명할 때는 정책 발표와 집행, 기업 이익이 움직인 기간을 함께 놓는다. ## 채권 수익률: 중도매도 가격과 만기 현금흐름을 나눈다 [SEC의 금리 위험 안내](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-bulletins-86)는 시장금리가 오를 때 고정금리 채권 가격이 내려가는 원리와 만기에 따른 민감도 차이를 설명한다. 국채의 신용 위험이 낮다는 사실이 시장가격의 안정까지 뜻하지는 않는다. 개별 채권의 만기 보유, 만기 전 매도, 일반적인 채권 ETF 보유는 현금흐름 구조가 다르다. 한국 투자자의 비교에는 달러 자산의 수익과 원·달러 환산 효과, 비용도 추가해야 한다. 공시된 연 수익률을 그대로 원화 확정 수익으로 쓰지 않는다. ## 주식과 국채의 보상을 비교할 때 [PLUS TV의 오선 인터뷰](https://www.youtube.com/watch?v=V4mCCBmoCdc)는 2026년 10월 11일 촬영, 15일 공개됐다. 영상에서 소개한 주식과 국채의 보상 차이 약 1%포인트는 산식과 기준일이 제시되지 않아 직접 재현할 수 없다. 이익수익률 차이인지, 배당·성장을 포함한 기대수익률인지부터 확인한 뒤 같은 날짜의 국채금리와 비교한다. 개인의 시장 해석과 공식 통계는 출처를 나누어 남긴다. 국채의 공시 수익률, 주식의 관측 실적, 미래 수익률 가정을 같은 확정 수익으로 취급하지 않는다. ## 함께 찾을 자료 [미국 시간외·24시간 거래 제도](https://www.readiz.com/llm-wiki/us-extended-hours-trading/) · [AI 투자도구의 기능과 성과 검증](https://www.readiz.com/llm-wiki/ai-investment-tools-evidence/) · [은행 대출금리와 계약 재산정](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/e323b894-47c7-4232-9672-47813eb7dac9" title: "반도체 수출 2.7배, 물량 1.14배: 호황의 수명은 고객의 구매력에 달렸다" description: "박종훈의 지식한방을 바탕으로 가격이 이끈 반도체 호황을 살펴본다. 기기 출하, AI 투자비용과 신용, 장기계약, 중국의 공급 확대를 원자료와 함께 연결했다." kind: "record" published: "2026-10-14T14:23:01.762Z" updated: "2026-10-14T15:11:25.453Z" tags: ["반도체","AI","경제","투자"] url: "https://www.readiz.com/records/semiconductor-price-boom-buying-power/" markdownUrl: "https://www.readiz.com/records/semiconductor-price-boom-buying-power/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 반도체 수출 2.7배, 물량 1.14배: 호황의 수명은 고객의 구매력에 달렸다 **이번 반도체 호황을 판단할 때 가장 먼저 볼 것은 고객이 앞으로도 지금의 가격을 지불할 수 있느냐다.** 공급이 빠듯해 메모리 가격이 오르면 생산업체의 이익은 커진다. 그 가격을 비용으로 떠안는 PC·스마트폰 업체와 AI 투자자의 사정은 달라진다. 비싼 메모리를 사기 위해 필요한 돈과 그 돈의 조달비용이 함께 늘어나면, 공급 부족이 이어지는 동안에도 가격 상승을 지탱하던 수요는 약해질 수 있다. 박종훈의 2026년 10월 14일 영상은 이 연결을 통해 반도체 주가와 현재 실적의 엇갈림을 설명한다. 출발점은 수출액 2.7배와 물량 1.14배의 차이다. 끝에서 돌아오는 질문은 더 큰 매출이 얼마나 오래 유지될 수 있는가다. [YouTube: AI 큰손들의 경고, 이제는 반도체보다 돈이 문제다 (박종훈의 지식한방)](https://www.youtube.com/watch?v=idn71TczNok) ## 현재의 호실적보다 가격이 유지될 기간을 본다 영상 도입부는 메모리 현물가격이 오르는 날에도 메모리 업체의 주가가 하락할 수 있다는 점을 짚는다. 주가는 이미 발표된 이익뿐 아니라 앞으로 벌 이익과 그 지속 기간에 반응하기 때문이다. 현물가격 상승과 주가 하락이 함께 나타났다면, 현재의 제품 판매 상황과 미래 이익에 대한 평가를 나누어 봐야 한다. 같은 이유로 경기민감 업종의 낮은 주가수익비율(PER)은 분모를 함께 읽어야 한다. 한 해 이익이 이례적으로 높아지면 PER은 낮아진다. 그 이익이 몇 년간 유지되는 회사와 정점을 통과하는 회사가 같은 PER이라면 투자자가 사는 현금흐름은 서로 다르다. 영상의 저평가 수치는 이익의 지속성을 검토하는 출발점으로 읽는 편이 유용하다. ## 수출액 2.7배를 만든 가격과 물량 ![반도체 수출액을 단가와 물량으로 나누어 설명한 영상 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/c2dc7afe-7470-4110-8abd-ef7f8a106990.webp) *영상은 2026년 1–8월을 전년 동기와 비교해 수출액 약 2.7배, 달러 단가 약 2.4배, 물량 약 1.14배로 분해한다. [박종훈의 지식한방, 2:52](https://www.youtube.com/watch?v=idn71TczNok\&t=172s).* 판매금액은 가격과 물량을 곱한 결과다. 물량이 14% 늘어도 가격이 두 배 이상 뛰면 매출은 훨씬 큰 폭으로 증가한다. 이때 생산업체의 이익을 끌어올린 핵심은 추가 생산량보다 기존 생산량에 붙는 높은 가격이다. 영상이 제시하는 DDR4 8Gb 고정거래가격의 급등도 이 설명을 뒷받침하는 사례다. 이 구조는 강력한 이익 증가와 높은 가격 민감도를 함께 만든다. 공장·장비·인력을 유지하는 비용이 단기간에 크게 바뀌지 않는다면, 판매가격의 상승분은 이익에 크게 반영된다. 반대로 가격이 떨어질 때에는 생산량이 늘어도 판매금액과 이익이 감소할 수 있다. 현재의 수출 증가율을 미래의 생산 확대 속도나 이익 증가율로 곧바로 연장하기 어려운 이유다. 여기서 **물량지수 14% 증가를 칩 개수 14% 증가로 읽어서는 안 된다.** 한국은행은 수출물량지수가 중량 기준 통계와 다르며 품질 변동을 포함한다고 설명한다. 고용량·고성능 제품으로의 전환을 보려면 물량지수, 출하 비트, 웨이퍼 투입, 제품별 판매 구성을 구분해야 한다. 영상의 배수는 반올림된 분해 수치이며, 이 글에서 원시 시계열로 다시 산출한 값은 아니다. [한국은행 2026년 8월 수출입물가지수 및 무역지수, 통계 이용상 유의사항](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=201264\&nttId=11064729). ## 공급이 빠르게 늘지 못한 이유 ![과거 투자 위축과 HBM 생산 전환, 신규 공장 시차를 설명한 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/b8614112-ab46-4751-814f-fe53bc90de0f.webp) *과거의 투자 위축, HBM 생산에 필요한 자원, 새 공장의 가동 시차를 연결한다. [박종훈의 지식한방, 5:00](https://www.youtube.com/watch?v=idn71TczNok\&t=300s).* 영상은 이전의 긴 가격 부진이 투자를 억눌렀고, AI용 HBM 수요가 늘면서 메모리 생산 자원의 배분도 달라졌다고 설명한다. 같은 저장 용량을 만드는 데 더 많은 웨이퍼가 필요한 제품으로 생산이 이동하면 웨이퍼 투입량이 늘어도 범용 메모리 공급이 그만큼 늘지는 않는다. HBM의 높은 부가가치와 범용 DRAM의 공급 압박이 함께 나타날 수 있는 구조다. 설비투자 발표에서 실제 출하까지도 시간이 걸린다. 건물 완공 뒤 장비 반입과 공정 안정화가 필요하고, 고객이 요구하는 성능·신뢰성을 충족해야 한다. 따라서 수요가 커진 올해의 가격과 몇 년 뒤 늘어날 공급을 같은 시점의 숫자로 비교하면 현재 부족의 강도를 놓치기 쉽다. 다만 증설 시점은 제품과 공장마다 다르다. Micron은 버지니아 공장의 1α 공정 DDR4·LPDDR4 생산 인증을 2026년 말까지 마치겠다고 발표했다. 대상은 자동차·방산·산업용 등 장기 공급이 중요한 시장이다. 이 계획을 글로벌 메모리 전체의 공급 급증으로 읽을 수도, 모든 제품의 증설이 2027년 이후라고 묶을 수도 없다. [Micron 버지니아 생산 확대 발표, 2026-05-22](https://investors.micron.com/news/press-release/2026/Micron-Advances-Made-in-America-Memory-With-Manufacturing-Expansion-in-Virginia/default.aspx). ## 비싸진 메모리는 구매자의 수요를 바꾼다 메모리 업체에는 높은 가격이 매출이지만, PC·스마트폰 업체에는 원가다. 완제품 가격에 전가하면 소비자의 교체 주기가 길어질 수 있고, 전가하지 못하면 제조사의 마진이 줄어든다. 저가 제품을 줄이거나 메모리 사양을 조정하는 대응도 가능하다. 부품의 공급 부족과 완제품의 출하 감소는 이렇게 동시에 나타날 수 있다. ![세계 PC 분기 출하량과 스마트폰 연간 출하 전망을 구분한 비교 도표](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/7cd2a40a-e7cc-485f-b471-28aa25fb2045.webp) *Gartner의 2026년 3분기 PC 잠정치와 IDC의 2026년 스마트폰 연간 전망을 원자료 수치로 재작성했다. 두 패널은 기간과 확정 상태가 다르다.* [Gartner의 10월 12일 발표](https://gcom.pdo.aws.gartner.com/en/newsroom/press-releases/2026-10-12-gartner-says-worldwide-pc-shipments-declined-22-point-4-percent-in-third-quarter-of-2026-as-component-cost-inflation-raised-asps)에서 세계 PC 출하량은 2025년 3분기 7,130.1만 대에서 2026년 3분기 5,535.1만 대로 22.4% 줄었다. 이는 유통망으로의 출하 기준 잠정치다. [IDC의 8월 26일 전망](https://www.idc.com/resource-center/blog/smartphone-shipments-set-for-record-16-7-drop-in-2026-as-the-memory-crisis-hits-full-force/)은 올해 스마트폰 출하 대수가 16.7% 감소하는 한편 평균 판매가격은 27.6%, 출하액은 6.3% 증가할 것으로 봤다. 스마트폰 수치는 아직 연간 실적이 아니다. 단가가 오르면 산업의 판매금액이 커지면서 실제 판매 대수는 줄 수 있다. 그래서 ‘시장 규모가 커졌다’는 숫자만으로 소비자의 수요가 강하다고 판단하기 어렵다. 반도체 수출액과 기기 출하량의 차이는 이 글의 첫 질문을 완제품 시장에서도 반복해서 보여 준다. ## AI 투자도 가격과 자금 조달의 영향을 받는다 영상은 소비자용 기기에서 AI 데이터센터로 시선을 옮긴다. 브로드컴과 인텔 경영진의 자본·자본비용 관련 발언을 통해 투자 확대의 제약이 어디에서 생기는지 묻는다. AI 서비스의 잠재 수요가 커도 투자자는 칩·메모리·전력·건물을 먼저 확보해야 한다. 매출이 발생하기 전에 큰돈이 들어가는 사업에서는 필요한 투자금과 자금 조달 조건이 실제 주문량을 결정한다. ![메모리 비용과 AI 설비투자, 차입 부담의 연결을 설명한 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/b1219fd1-cc88-447f-a5f9-a946d9939dbd.webp) *메모리 가격 상승이 고객의 투자 예산과 차입 부담으로 돌아오는 경로. [박종훈의 지식한방, 10:50](https://www.youtube.com/watch?v=idn71TczNok\&t=650s).* 이 연결은 Microsoft의 설명에서도 확인된다. 회사는 4월 실적 설명회에서 2026년 달력연도 투자 예상액 1,900억 달러에 약 250억 달러의 부품가격 상승분이 포함된다고 밝혔다. 늘어난 투자금 전체를 더 많은 서버나 계산 능력으로 환산하면 안 되는 사례다. [Microsoft FY2026 Q3 설명회](https://www.microsoft.com/en-us/Investor/events/fy-2026/earnings-fy-2026-q3). 7월에는 같은 해 투자 예상액을 약 1,750억 달러로 제시했지만, 건물 내용연수 변경에 따라 일부 리스가 금융리스에서 운용리스로 재분류된 영향이라고 설명했다. 기초적인 투자 기대는 유지됐다. 금액의 하향을 곧바로 시설투자 축소로 해석하면 회계 범위가 바뀐 효과를 놓친다. [Microsoft FY2026 Q4 설명회](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4). 따라서 투자계획은 총액, 가격 상승분, 회계상 포함 범위, 실제 인도될 설비를 나눠 읽어야 한다. 외부 자금에 의존하는 사업자는 여기에 조달금리와 만기, 담보 조건까지 더해진다. 기대한 AI 수요가 남아 있어도 비용과 금융 조건 때문에 착공이나 주문을 늦출 수 있다. ## 자금의 가격은 신용이 약한 곳부터 부담을 키운다 ![국채와 신용등급별 회사채 금리 상승 폭을 비교한 영상 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/e96638e1-d8f8-4fdd-8736-5812f6ad02c1.webp) *영상은 연초 대비 10월 12일의 금리 변화가 낮은 신용등급에서 더 컸다고 설명한다. [박종훈의 지식한방, 13:20](https://www.youtube.com/watch?v=idn71TczNok\&t=800s).* 영상이 제시한 AI 관련 차입 집계는 1–9월 기준 2025년 1,010억 달러에서 2026년 4,660억 달러로 늘었다. 이어 2026년 8월 1,130억 달러였던 월간 조달이 9월 230억 달러로 줄었다는 비교를 제시한다. 연간 누적과 최근 월간 속도를 구분해야 누적 규모의 증가 속에서도 시장 분위기가 바뀔 수 있다는 논지를 이해할 수 있다. 이 집계는 영상이 인용한 수치로, 이 글에서 기초 거래별로 재산출한 통계는 아니다. 같은 금리 상승이라도 기업별 충격은 다르다. 현금흐름이 풍부하고 신용이 높은 기업은 조달 창구가 넓다. 아직 이익을 내지 못하거나 담보 가치에 의존하는 사업자는 투자자가 요구하는 위험 보상까지 더 지불해야 한다. 금리가 올라갈 때 이 차이가 확대되면 약한 사업자의 프로젝트가 먼저 지연될 가능성이 커진다. [FRED의 ICE BofA CCC 이하 회사채 유효수익률](https://fred.stlouisfed.org/series/BAMLH0A3HYCEY)은 10월 12일 17.36%였다. 이는 해당 등급의 미국 회사채 지수 수익률이다. 모든 AI 업체의 대출금리나 개별 기업이 새로 발행하는 채권의 확정 금리가 아니다. 이 지표가 보여 주는 것은 낮은 신용등급에 요구되는 금융비용의 수준이다. ![CDS 보험료와 Firmus의 상장 철회 사례를 제시한 영상 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/b9c02aff-4481-4e16-8efd-a9c945d658db.webp) *영상은 신용위험에 대한 평가와 신규 사업자의 자금 조달을 함께 살핀다. [박종훈의 지식한방, 15:50](https://www.youtube.com/watch?v=idn71TczNok\&t=950s).* 오라클·엔비디아의 CDS 프리미엄 상승과 Firmus의 상장 철회도 영상이 드는 경고 신호다. CDS 프리미엄은 채무불이행 위험을 이전하는 계약의 가격이며, bp로 표시된 수치 자체가 곧 부도확률은 아니다. 상장 철회 역시 특정 기업이 그 가격에 주식을 팔기 어려웠다는 사례다. 여기서 읽을 수 있는 변화는 투자자가 사업 계획과 조달 가격을 더 엄격히 심사하기 시작했다는 것이다. 이것이 메모리 업체와 연결되는 경로는 발주다. AI 고객이 자금 조달 조건을 따지기 시작하면 비싼 메모리를 확보하는 속도와 물량도 다시 계산하게 된다. 현재의 높은 이익을 오래 유지하려면 생산능력뿐 아니라 고객의 구매력도 버텨야 한다. ## 과거의 가격 하락기와 장기계약의 보호 범위 2019년은 가격과 물량을 분리해 볼 만한 사례다. 국회예산정책처의 2020년 3월 자료에 따르면 반도체 수출액은 2018년 1,267억 달러에서 2019년 939억 달러로 줄었지만, 수출물량은 8.0% 늘었다. 물량 증가가 가격 하락을 상쇄하지 못했다. 영상의 ‘물량 20–30% 증가’ 표기와는 범위가 일치하는지 확인되지 않아, 여기서는 출처와 기간이 명확한 국회예산정책처 수치를 사용했다. [경제·산업동향&이슈, 문서 73쪽](https://korea.nabo.go.kr/board/file/down.do?fid=33315966). ![과거 메모리 주가와 DRAM 가격의 정점 사이 시차를 설명한 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/987e5785-194c-4002-a1de-4a5378bbea6a.webp) *주가가 제품 가격보다 먼저 움직였던 사례를 비교한다. [박종훈의 지식한방, 18:50](https://www.youtube.com/watch?v=idn71TczNok\&t=1130s).* 시장은 가격 하락이 실적표에 나타나기 전에 반응할 수 있다. 주문 변화, 고객 재고, 증설 계획을 통해 앞으로의 가격을 예상하기 때문이다. 과거 몇 달의 선행 시차를 이번 사이클의 정확한 달력으로 쓸 수는 없다. 활용할 부분은 현물가격의 정점만 기다리면 기업가치 평가의 변화보다 늦어질 수 있다는 점이다. 영상의 과거 사이클 비교에 덧붙여, 현재 장기계약의 조건도 살펴볼 필요가 있다. 장기계약은 이 변동을 줄이는 장치다. 계약 기간과 약정 물량, 가격 조정 방식, 최소 구매 의무, 불이행 때의 권리를 읽어야 보호 범위를 알 수 있다. Micron의 2026년 10-K는 다년간의 take-or-pay, 즉 물건을 인수하지 않아도 약정 대금을 지불하는 물량 약정과 가격 상·하한을 설명한다. 동시에 고객의 약정 불이행, 분쟁, 고객 재고 누적을 위험으로 명시한다. 장기계약은 공급업체의 가시성을 높이지만 계약의 적용 범위와 고객의 이행 능력까지 함께 평가해야 한다. [Micron 2026년 10-K, Strategic Customer Agreements 및 Note 16](https://www.sec.gov/Archives/edgar/data/723125/000072312526000023/mu-20260903.htm). ## 중국의 증설은 발표와 실제 공급 사이의 시간을 봐야 한다 영상 후반부는 수요를 지탱할 자금에 이어 공급을 늘릴 경쟁자를 다룬다. 높은 가격은 후발 업체에도 이익과 재투자 재원을 제공한다. 영상은 CXMT의 DRAM 매출 점유율을 2026년 1분기 약 8%, 2분기 약 10%로 제시하며, 현재의 호황이 경쟁자의 연구개발과 증설을 돕는다는 점을 강조한다. ![CXMT의 DRAM 매출 점유율 증가와 투자 재원을 설명한 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/48f1f609-fa48-4ab4-b83c-6135c40b0122.webp) *높은 판매가격이 후발 업체의 투자 재원으로 이어지는 경로. [박종훈의 지식한방, 19:30](https://www.youtube.com/watch?v=idn71TczNok\&t=1170s).* 중국 업체의 확대가 장기적으로 가격에 영향을 주려면 고객이 채택할 수 있는 제품을 충분한 양으로 공급해야 한다. 기술 발표의 시점과 경쟁 제품이 시장에 쌓이는 시점은 다르다. ![CXMT의 발표 내용과 아직 공개되지 않은 항목을 나눈 영상 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/a6c42c32-b168-40cc-baee-69669bb60251.webp) *발표된 기술·출시 계획과 미공개 사양·수율·물량을 구별한다. [박종훈의 지식한방, 23:20](https://www.youtube.com/watch?v=idn71TczNok\&t=1400s).* 특히 CXMT의 4F² 서버용 DDR5 계획과 기존 G5·LPDDR5X 발표를 같은 제품의 양산 증거로 합쳐서는 안 된다. [CXMT의 9월 20일 공식 자료](https://www.cxmt.com/en/news/info_22.html)는 G5 플랫폼과 LPDDR5X를 다룬다. 새 서버 제품이 어느 고객에게 언제 인증되고 어느 정도 출하되는지는 별도의 확인 대상이다. 따라서 중국의 추격을 볼 때에는 기술 발표 다음에 고객 인증, 수율 안정화, 실제 출하, 생산능력 확대가 이어지는지 추적해야 한다. 매출 점유율도 가격 상승과 제품 구성의 영향을 받으므로 생산량 점유율과 구분할 필요가 있다. 공급이 실제 늘어나는 시점에 AI 고객의 투자 속도가 유지되는지까지 맞춰 보면 가격에 미칠 영향을 더 구체적으로 판단할 수 있다. ![메모리 공급 확대 시차를 정리한 영상 장면](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/f800256e-58a9-4015-bb4e-eef02b76b18c.webp) *영상이 제시한 공급 전망의 시간표. 예정 연도는 확정된 결과가 아니라 후속 가동·출하 자료로 갱신할 전망이다. [박종훈의 지식한방, 25:50](https://www.youtube.com/watch?v=idn71TczNok\&t=1550s).* 영상이 제시한 시간표는 2026년 4분기의 DRAM 계약가격 상승 전망, 2027년의 공급 부족, 2027년 하반기 이후 새 공장 가동, 2028년 중국 증설의 영향, 2028–2029년 웨이퍼 부족 완화로 이어진다. 각각 다른 기관·기업의 전망을 묶은 시나리오이므로 가동과 출하 실적에 맞춰 갱신할 필요가 있다. 이 시간표는 가까운 시기의 가격 강세와 뒤에 도착할 공급 확대를 함께 놓는다. 당장의 부족이 심해도 미래 공급의 증가 속도가 빨라지고 고객의 주문 증가율이 낮아지면 가격 협상력은 달라질 수 있다. 반대로 증설이 늦어지거나 고객 인증에 시간이 더 걸리면 높은 가격이 유지되는 기간도 길어질 수 있다. ## 다음 판단을 바꿀 네 가지 자료 ![금리와 신용, AI 투자계획, 메모리 가격을 함께 보자는 영상의 점검표](https://www.readiz.com/assets/authored/e323b894-47c7-4232-9672-47813eb7dac9/af59ee89-9967-4bb3-8797-67cf59304c96.webp) *후속 점검 대상을 금리·신용·설비투자·메모리 가격으로 모은다. [박종훈의 지식한방, 28:20](https://www.youtube.com/watch?v=idn71TczNok\&t=1700s).* | 확인할 것 | 실제로 볼 변화 | 판단과 연결되는 이유 | | --------------- | -------------------------------- | ---------------------------------- | | 장기금리와 신용 조건 | 국채금리, 회사채 스프레드, 발행 금리·만기·성공 여부 | 고객이 필요한 투자금을 어떤 비용으로 조달하는지 보여 준다. | | AI 고객의 투자와 현금흐름 | 투자 예산의 가격 효과, 현금 지출, 서버 인도·가동 일정 | 금액의 증가가 실제 설치량과 주문 증가로 이어지는지 확인한다. | | 메모리 가격과 고객 주문 | 현물·고정거래가격, 제품별 계약, 고객 재고 | 가격 강세가 실제 거래와 지속 주문으로 이어지는지 보여 준다. | | 신규 공급의 실현 | 공장 가동, 수율, 고객 인증, 출하 물량 | 계획된 공급이 가격 협상에 영향을 줄 시점을 좁혀 준다. | 장기적인 AI 사용 확대와 메모리의 가격 사이클은 서로 다른 속도로 움직인다. AI가 더 많이 쓰이더라도 메모리 업체의 현재 이익률이 같은 높이로 유지된다는 보장은 없다. 반대로 고객의 자금 조달이 안정되고 공급 확대가 늦어지면 가격 주도의 호황은 예상보다 오래 이어질 수 있다. **지금의 반도체를 읽는 핵심은 고객의 구매력이 새 공급이 도착할 때까지 버틸 수 있는지 확인하는 일이다.** 수출액 하나에 가격·물량·제품 구성이 겹쳐 있고, 투자액 하나에는 설치량·부품가격·회계 범위가 겹쳐 있다. 그 숫자를 풀어 읽어야 호황의 크기와 호황이 유지될 조건을 함께 볼 수 있다. *** 자료 기준은 2026년 10월 14일이다. 영상의 차입·CDS·기업 사례와 과거 주가 시차는 영상의 분석으로 소개했고, 별도로 대조한 기관 자료는 해당 문단에 연결했다. 자료의 정의와 재사용 방법은 [반도체 수출의 가격·물량과 기기 수요를 읽는 법](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/)에, 투자금·신용·기업 공시를 읽는 방법은 [한국 증시 자료 읽기](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/)에 정리했다. --- --- id: "authored/31328c67-6c13-4ecd-89f6-47ac1f1692ac" title: "반도체 수요·공급 지표: 수출 가격·물량·출하·생산능력" description: "한국은행 무역지수, Gartner·IDC 기기 출하, TSMC 월매출, CXMT 제품 발표와 HBM 생산능력의 측정 범위를 구분한다." kind: "llm-wiki" published: "2026-10-14T11:44:12.141Z" updated: "2026-10-17T13:11:21.895Z" tags: ["반도체","무역지수","물량지수","HBM","TSMC","CXMT"] url: "https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/" markdownUrl: "https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 반도체 수요·공급 지표: 수출 가격·물량·출하·생산능력 반도체 수출의 호황을 읽을 때에는 **판매금액·가격·물량·제품 구성을 먼저 나눈다.** 완제품 시장에서도 출하 대수와 출하액이 다른 방향으로 움직일 수 있다. 이 문서는 같은 이름의 ‘성장’ 안에 섞인 측정 대상을 구분하고, 원자료를 다시 찾는 방법을 정리한다. 확인 기준일은 2026년 10월 14일이다. ## 수출물량지수는 칩 개수나 무게와 다르다 한국은행 「2026년 8월 수출입물가지수 및 무역지수(잠정)」는 9월 15일 발표됐다. [공식 상세 페이지](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=201264\&nttId=11064729)에서 자료의 기준 월과 잠정 여부를 확인하고, PDF 문서 20–21쪽의 작성 방법과 이용상 유의사항을 함께 읽는다. 물량지수는 품질 변동을 포함한다. 통관 중량이나 칩 개수, 웨이퍼 투입량, 출하 비트와 같은 지표가 아니다. 가격조사가 어려운 일부 품목은 지수 범위에서 제외된다. 수출금액지수를 물량지수로 나눈 값도 통관 시차를 적용하므로 매월 공표하는 수출물가지수와 일치하지 않을 수 있다. 잠정치는 이후 수정된다. ![한국은행 무역지수 이용상 유의사항 원문](https://www.readiz.com/assets/authored/31328c67-6c13-4ecd-89f6-47ac1f1692ac/fd948d4b-df67-4dd9-95b9-fd9c3901c379.webp) *한국은행 2026년 8월 자료의 문서 21쪽, PDF 뷰어 22쪽. 물량지수의 품질 조정과 시차 적용, 잠정치의 수정 가능성을 설명한다.* 이 구분은 HBM처럼 고용량·고성능 제품 비중이 변할 때 유용하다. 수출금액 증가를 ‘칩을 더 많이 팔았다’로 바꾸어 쓰려면 실제로 무엇을 셌는지 확인해야 한다. 반도체 산업 전체, 메모리, DRAM, 특정 DDR 제품의 지표도 서로 대체하지 않는다. ## 가격과 물량의 기여를 계산하는 방법 같은 범위와 기간을 가진 지표라면 금액 변화는 가격 변화와 물량 변화의 곱으로 설명할 수 있다. 가격이 2배, 물량이 1.1배가 되는 **가상 예시**에서는 금액이 2.2배가 된다. 실제 통계에서는 제품 구성과 지수 작성 방식도 확인해야 한다. 증가율을 p, q라고 하면 금액 증가율은 p + q + p×q다. 마지막 항은 가격과 물량이 동시에 변한 효과다. 따라서 ‘증가분의 몇 %가 가격 덕분인가’를 쓸 때에는 교차항을 어느 쪽에 배분했는지 밝혀야 한다. 반올림된 배수의 단순 합이나 차이로 정확한 기여율을 만들지 않는다. 후속 계산에서는 다음 항목을 먼저 맞춘다. | 항목 | 확인할 내용 | | ----- | -------------------------- | | 범위 | 전체 반도체인지 메모리인지, 품목 분류가 같은지 | | 기간 | 단월 전년비인지, 분기인지, 연초 이후 누계인지 | | 가격 기준 | 달러·원화, 현물·고정거래, 품질 조정 여부 | | 물량 정의 | 중량·개수·비트·물량지수 중 무엇인지 | | 자료 버전 | 발표일, 잠정·확정, 개정된 시계열 여부 | 영상이나 보고서가 제시한 배수를 재인용할 때에도 이 항목을 보존한다. 한국은행 8월 보도자료의 전산업 단월 수치로 특정 영상의 반도체 1–8월 누계 분해를 검증했다고 쓰지 않는다. ## PC 실적과 스마트폰 전망을 구별한다 ![PC의 분기 출하 실적과 스마트폰의 연간 출하 전망 비교](https://www.readiz.com/assets/authored/31328c67-6c13-4ecd-89f6-47ac1f1692ac/73d30757-2d00-469a-a001-a6b251f2b257.webp) *Gartner 2026-10-12 발표 Table 1과 IDC 2026-08-26 전망으로 재작성. PC는 3분기 잠정치, 스마트폰은 연간 전망이며 단위와 기간이 다르다.* [Gartner 자료](https://gcom.pdo.aws.gartner.com/en/newsroom/press-releases/2026-10-12-gartner-says-worldwide-pc-shipments-declined-22-point-4-percent-in-third-quarter-of-2026-as-component-cost-inflation-raised-asps)의 세계 PC 출하량은 2025년 3분기 7,130.1만 대, 2026년 3분기 5,535.1만 대다. 전년 동기 대비 22.4% 감소한 잠정치이며 유통망 출하(sell-in) 기준이다. 소비자의 최종 구매나 사용 중인 PC 대수와 구분한다. [IDC 자료](https://www.idc.com/resource-center/blog/smartphone-shipments-set-for-record-16-7-drop-in-2026-as-the-memory-crisis-hits-full-force/)는 2026년 스마트폰 출하 대수 −16.7%, 평균 판매가격 +27.6%, 출하액 +6.3%를 전망했다. 대수 감소와 금액 증가가 공존하는 예다. 연간 전망을 확정 실적으로 바꾸어 쓰거나, PC의 분기 실적과 같은 기간의 비교인 것처럼 합산하지 않는다. 두 자료는 부품 비용 상승과 기기 수요의 연결을 살필 때 유용하다. 다만 출하 대수 감소율 전체를 메모리 가격 하나의 인과효과로 계산한 자료는 아니다. 유통 재고, 제품 구성과 교체 주기 등도 함께 검토한다. ## 2019년: 물량이 늘어도 수출액은 줄 수 있다 국회예산정책처 「경제·산업동향&이슈」 2020년 3월호의 ‘일본 수출규제의 경제적 영향’, 문서 73쪽은 반도체 수출액을 2018년 1,267억 달러, 2019년 939억 달러로 제시한다. 같은 자료의 수출물량 증가율은 8.0%다. 가격 하락으로 금액과 물량의 방향이 달라진 사례로 활용할 수 있다. [국회예산정책처 원문 PDF](https://korea.nabo.go.kr/board/file/down.do?fid=33315966). 과거 수치와 비교할 때에는 특정 회사의 비트 출하 증가율을 한국 전체 반도체 수출물량 증가율에 붙이지 않는다. 이 사례는 가격·물량을 분해할 필요성을 보여 주며, 미래 가격 하락의 날짜나 폭을 정해 주지는 않는다. ## 수출금액과 국내 경기의 범위 수출은 [산업통상부 「2026년 9월 수출입 동향」](https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/172254/view)에서 대조한다. 10월 1일 발표 기준 수출은 1,209.4억 달러, 전년 동월 대비 83.5% 증가이며 반도체는 603.0억 달러다. 수출은 달러 표시 해외 판매금액, 소매판매는 국내 소비 동향이다. 수출 호황의 국내 파급은 업종별 이익, 고용·임금, 구매와 투자 자료로 따로 추적한다. ## 반도체 실적: 월매출과 분기 전망을 구별한다 [TSMC의 2026년 9월 매출 공시](https://www.sec.gov/Archives/edgar/data/1046179/000104617926000680/tsm-revenue20261008.htm)는 10월 8일 제출됐다. 연결 매출은 5,118.57억 대만달러로 전년 동월 대비 54.6% 증가했고 전월 대비 0.6% 감소했다. 달러와 대만달러, 백만과 억의 단위를 먼저 통일한다. [TSMC 2026년 3분기 실적 페이지](https://investor.tsmc.com/english/quarterly-results/2026/q3)의 설명회 일정은 10월 15일이다. 2026년 10월 12일에 자료를 확인했을 때에는 월매출이 발표됐고 분기 설명회는 예정 상태였다. 이 기록은 그 시점의 근거 범위를 남긴 것이며, 10월 15일 이후 결과는 실적 페이지에서 따로 확인한다. 일정만 확인한 상태에서 분기 전망을 이미 발표된 사실처럼 쓰지 않는다. ## 경쟁사 발표: 제품·고객 인증·출하·생산능력을 나눈다 [CXMT의 2026년 9월 20일 공식 발표](https://www.cxmt.com/en/news/info_22.html)는 G5 DRAM 플랫폼과 LPDDR5X를 다룬다. 다른 행사에서 거론된 4F² 서버용 DDR5 RDIMM 출시 계획에 이 자료를 붙여 대량 출하가 입증됐다고 쓰면 제품 범위가 달라진다. 경쟁력 비교는 제품 사양, 수율, 고객 인증, 실제 출하량, 양산 일정의 근거를 각각 확인한다. [김단테의 10월 13일 영상](https://www.youtube.com/watch?v=hzomN7wiW_8) 4:02에 등장하는 도표 제목은 ‘Global HBM Wafer Capacity’이고 2026E·2027E는 전망치다. HBM 생산능력 자료를 DDR5 전체 공급 점유율로 일반화하지 않는다. 같은 영상 6:59의 채권 도표도 2026F·2027F 전망과 ‘% of IG index’라는 분모를 보존해야 한다. 원보고서가 확인되지 않은 영상 도표의 수치는 원기관 확정 통계로 재인용하지 않는다. ## 원문 다운로드와 버전 식별 아래 두 파일은 2026년 10월 14일 원본 바이트를 보관하고 재읽기 해시를 검증했다. 다운로드는 원기관 링크를 제공한다. | 자료 | 원기관 다운로드 | 크기 | SHA-256 | | ----------------------------------------- | ------------------------------------------------------------------------------------------------------------------- | ----------: | ------------------------------------------------------------------ | | 한국은행 2026년 8월 수출입물가지수 및 무역지수 · 2026-09-15 | [PDF](https://www.bok.or.kr/fileSrc/portal/c7bb39af02834eeb90ede85affee64e3/3/922763eec996487895acca1b89ce8f39.pdf) | 1,110,886 B | `263532e4d3de8453c1074759fbe246b852f94a7b133c28d88c574492373b2738` | | 국회예산정책처 경제·산업동향&이슈 · 2020년 3월호 | [PDF](https://korea.nabo.go.kr/board/file/down.do?fid=33315966) | 6,657,296 B | `9545b5f8cf3e85cacc63b9199a65a037b2cce623bb22755c5bee79cdd96c7454` | ## 원문 파일과 버전 2026년 10월 12일 확보한 파일의 식별 정보다. 다운로드는 원기관으로 연결하며, 후속 개정본은 관측 기간·발표일과 해시를 구분해 남긴다. | 자료·발표일 | 원기관 파일 | 크기 | SHA-256 | | ---------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------- | ----------: | ------------------------------------------------------------------ | | 2026년 9월 수출입 동향 · 2026-10-01 | [PDF](https://www.motir.go.kr/attach/down/095a2dda9c864e1d90d751f7668a1117/34bf74183994a94355055029d2f7e8f5/778bdbf5db9ced7c8fd52756c00bf0cd) | 1,741,213 B | `e7f7ba494d7b43cd14eb054cd2e6ee66d4391e64863a1f47baf7ef6021df5003` | ## 함께 찾을 자료 [반도체 호황의 소득·고용·세수 전달](https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/) · [AI 투자 재원·장기계약](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/) · [산업활동동향의 생산·판매·투자](https://www.readiz.com/llm-wiki/industrial-activity-indicators/) · [데이터센터 인허가와 가동 일정](https://www.readiz.com/llm-wiki/data-center-permits-power-grid/) 월매출·경쟁사 발표 사례는 2026년 10월 14일까지 확인한 자료다. 원래 관측 시점과 전망 시점을 보존했으며, 이후 실적 발표는 해당 원문에서 별도로 확인한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a" title: "코스피 급락, 시장은 반도체 이익의 다음을 물었다" description: "CXMT 발표에서 AI 투자 자금, 약해진 매수세, 환율과 주주환원까지. 10월 13일 코스피 급락을 이익의 지속성과 현금 배분의 문제로 읽었다." kind: "record" published: "2026-10-13T13:59:46.777Z" tags: ["투자","반도체","AI"] url: "https://www.readiz.com/records/kospi-selloff-ai-cashflow-and-capital-allocation/" markdownUrl: "https://www.readiz.com/records/kospi-selloff-ai-cashflow-and-capital-allocation/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 코스피 급락, 시장은 반도체 이익의 다음을 물었다 2026년 10월 13일 코스피 급락을 보며 먼저 떠오른 생각은 **시장이 의심하는 대상이 이번 분기 이익에서, 그 이익이 얼마나 오래 가고 주주에게 얼마나 남느냐로 옮겨갔다는 것**이다. 반도체가 지금 돈을 잘 번다는 사실과 그 주식에 높은 가격을 지불할 이유는 서로 다른 질문이다. 고객의 AI 투자가 계속 늘어날 수 있는지, 그 투자에 필요한 돈은 어디서 나오는지, 반도체 회사에 쌓인 현금은 어디로 가는지가 함께 가격에 들어간다. 이날 코스피는 6,035.35로 마감했다. 하루 하락률은 5.46%였고, 장중에는 5,911.11까지 내려갔다. [당일 마감 보도](https://www.yna.co.kr/view/AKR20261013138800008?section=economy/all)의 숫자만 봐도 단순한 종목 조정으로 받아들이기 어려운 날이다. 김단테의 영상은 급락의 원인으로 거론된 중국 CXMT 소식에서 출발하지만, 설명의 중심을 AI 투자 자금과 약해진 매수세로 옮긴다. 나는 이 연결이 중요하다고 봤다. 새로운 악재의 크기뿐 아니라, 그 악재를 받아낼 시장의 체력이 주가를 결정하기 때문이다. [YouTube: 코스피가 무너진 근본적인 이유 (CXMT 아님)](https://www.youtube.com/watch?v=hzomN7wiW_8) ## CXMT 발표에서 실제 공급까지는 여러 단계가 남아 있다 영상이 먼저 다루는 것은 CXMT의 서버용 DDR5 RDIMM 출시 계획이다. 10월 10일 행사에서 4F² 구조를 적용한 제품을 연내 내놓겠다는 발표가 있었고, 이것이 한국 메모리 업체의 기술 우위가 예상보다 빨리 줄어드는 것 아니냐는 우려로 이어졌다는 설명이다. 영상은 이때 사양, 수율, 고객 인증, 정확한 공급 일정이 충분히 제시됐는지를 묻는다. ![CXMT 서버용 DDR5 출시 계획과 검증해야 할 조건](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/abd0b800-875f-43b4-842f-da8e07c18cc7.webp) *[영상 1:41](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=101s). CXMT 서버용 DDR5 출시 계획을 설명하는 화면. ‘삼성보다 2년 빠르다’는 발표 일정 비교에서 나온 시장의 해석이다.* 공정이나 셀 구조에 관한 발표는 경쟁의 방향을 보여 준다. 그러나 반도체 고객이 구매하는 것은 구조의 이름이 아니라, 필요한 성능과 신뢰성을 갖춘 제품이 약속한 물량과 가격으로 들어오는 공급 능력이다. 정상 제품이 얼마나 나오는지, 고객의 검증을 통과했는지, 실제로 얼마나 출하되는지가 매출과 가격 경쟁으로 이어지는 연결고리다. 출시 계획을 듣자마자 기존 업체의 이익 전망을 크게 낮추려면 이 연결고리가 얼마나 짧아졌는지까지 설명해야 한다. CXMT의 진전을 가볍게 볼 이유도 없다. 회사는 [9월 20일 공식 발표](https://www.cxmt.com/en/news/info_22.html)에서 G5 DRAM 플랫폼의 양산과 LPDDR5X 제품을 알렸다. 다만 그 발표를 곧바로 10월에 거론된 4F² 서버용 DDR5 제품의 대량 공급 증거로 사용할 수는 없다. 서로 다른 제품과 발표를 하나의 진도로 합치면 경쟁 속도를 잘못 읽게 된다. ![HBM 웨이퍼 생산능력 전망과 제품 범위](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/0deabdc2-6659-4896-b2c4-852574ecdbe1.webp) *[영상 4:02](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=242s). SemiAnalysis의 HBM 웨이퍼 생산능력 도표. 2026E·2027E는 전망치다.* 영상에 나오는 HBM 생산능력 전망도 같은 방식으로 읽어야 한다. HBM과 DDR5는 모두 메모리 수요의 영향을 받지만 제품, 고객 검증, 제조·패키징 과정이 같지 않다. HBM 전망에서 후발 업체의 비중이 작다고 해서 DDR5 경쟁 우려까지 사라지는 것은 아니다. 이 도표는 HBM 공급 구도라는 자기 범위 안에서 의미가 있다. 영상은 CXMT 관련 주가와 마이크론의 움직임도 한국 반도체 급락의 비교 대상으로 든다. 이는 한국 시장에 추가 요인이 있었는지 묻게 하는 단서다. 다만 서로 다른 거래 시간과 기존 상승폭을 가진 주식의 하루 등락률만으로 특정 뉴스의 영향을 제거할 수는 없다. 이 소식이 심리를 건드린 계기였을 수 있다는 점을 남겨 두고, 왜 한국 주가가 그 충격을 크게 받아냈는지 살펴보는 편이 설명력이 높다. ## AI 투자의 병목은 반도체에서 자금 조달로 옮겨갈 수 있다 영상에서 가장 중요한 전환은 이 부분이다. 영상은 2026·2027년의 판매가 좋아 보이는 것과 2028년 이후에도 고객의 AI 투자가 계속 확대되는지를 나누어 묻는다. AI 서버를 더 설치하려면 GPU와 메모리, 전력과 부지가 필요하다. 그런데 그 물리적 조건을 맞춰도 투자 대금을 계속 지불할 수 있어야 한다. 한국 반도체의 실적은 고객사의 투자 지출에서 나오므로, 고객이 돈을 조달하는 조건이 나빠지면 반도체 회사가 당장 좋은 실적을 내더라도 다음 증설에 대한 기대가 약해질 수 있다. ![하이퍼스케일러와 투자등급 채권시장의 관계 전망](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/88791508-3a47-4687-b6dd-2ee23722f7de.webp) *[영상 6:59](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=419s). 하이퍼스케일러와 투자등급 채권시장의 관계를 제시한 도표. 2026F·2027F의 5.3%·7.8%는 전망이며 분모 표시는 ‘% of IG index’다. 원보고서 출처는 영상에서 명확하게 제시되지 않는다.* 돈을 많이 버는 회사도 투자 속도가 더 빠르면 외부 자금이 더 필요해진다. 이익과 현금흐름이 갈라지는 이유이기도 하다. 설비투자에 현금이 먼저 나가고, 회계상 비용은 여러 기간에 걸쳐 인식될 수 있다. 매출과 영업이익이 증가하는 동안 투자 뒤에 남는 현금은 줄어들 수 있는 것이다. 마이크로소프트의 실제 공시를 비교하면 이 관계가 선명하다. [2026 회계연도 4분기 실적](https://www.microsoft.com/en-us/investor/earnings/fy-2026-q4/press-release-webcast)에 따르면, 6월 말로 끝난 분기의 영업현금흐름은 전년 동기 426.47억 달러에서 554.41억 달러로 늘었다. 그러나 현금으로 지급한 유형자산 투자는 170.79억 달러에서 358.02억 달러로 더 빠르게 증가했다. 두 수치를 단순히 빼서 계산한 잉여현금흐름은 255.68억 달러에서 196.39억 달러로 줄었다. ![Microsoft 영업현금흐름과 현금 설비투자 비교](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/e46fe43e-3c5a-4606-8f23-2414b87db452.webp) *Microsoft의 2025·2026 회계연도 4분기 연결 현금흐름표로 직접 계산한 비교. 잉여현금흐름은 영업현금흐름에서 현금 유형자산 투자를 뺀 값이다. 회사 전체 수치이며 AI 사업만의 수익성을 뜻하지 않는다. 금융리스를 포함한 설비투자 수치와도 구별했다.* 영업에서 들어온 현금은 약 30% 늘었지만 투자 뒤 남은 현금은 약 23% 줄었다. 그래도 잉여현금흐름은 여전히 큰 폭의 플러스다. 이 비교에서 눈여겨볼 것은 **성장하는 매출을 유지하기 위해 먼저 투입해야 하는 돈의 크기**다. AI 서비스에서 현금이 돌아오는 속도와 인프라 투자 속도 사이의 간격이 길어질수록 채권 발행, 리스, 프로젝트 금융 같은 조달 방식이 중요해진다. [Morgan Stanley의 8월 분석](https://www.morganstanley.com/insights/podcasts/thoughts-on-the-market/ai-financing-credit-markets-vishy-tirupattur)도 설비투자 증가와 자금 조달 수요를 함께 다룬다. [J.P. Morgan Asset Management의 분석](https://am.jpmorgan.com/gb/en/asset-management/institutional/insights/market-insights/market-updates/on-the-minds-of-investors/hyperscaler-debt-issuance-ai-buildout/)은 외부 조달 확대를 인정하면서도 하이퍼스케일러의 추가 차입 능력을 긍정적으로 평가한다. 이처럼 추가 차입 여력과 투자 부담을 함께 평가해야 한다. 신용시장이 돈을 빌려줄 의향과, 그 돈을 얼마에 빌려줄 의향이 있는지는 별개다. 반도체 주식에는 이 차이가 크게 작용할 수 있다. 현재 주문이 탄탄해도 고객사의 미래 투자 수익률이 낮아지거나 조달 비용이 오르면, 시장은 몇 년 뒤 성장에 더 낮은 가치를 매길 수 있다. 미래 이익 추정치가 아직 줄지 않았는데 주가가 먼저 하락하고 PER이 낮아지는 상황도 가능하다. 낮아진 PER을 볼 때 분모인 이익이 얼마나 지속될지를 함께 물어야 하는 이유다. ## 급등의 기억과 급락의 경험이 동시에 남아 있다 기업의 전망과 별개로 시장이 충격을 받아내는 방식도 달라졌다. 영상은 SK하이닉스와 TSMC의 상대 주가 흐름을 놓고, 한국 반도체가 먼저 훨씬 가파르게 올랐다가 큰 폭의 조정을 겪은 점을 짚는다. 많이 오른 자산에서는 작은 전망 수정도 큰 이익 실현으로 이어질 수 있고, 이미 급락을 경험한 투자자는 같은 가격에 다시 와도 이전처럼 쉽게 매수하지 못한다. ![SK하이닉스와 TSMC의 상대 주가 흐름](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/1ed1aeea-977f-4612-8191-1e921ef0ebbe.webp) *[영상 9:10](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=550s). SK하이닉스와 TSMC의 상대 주가 흐름. 먼저 크게 오른 주가가 큰 폭의 되돌림을 겪는 형태에 주목한 장면이다. 표시 가격은 장중 값이다.* 고점 부근에서 매수한 사람이 반등을 기다렸다가 매도하고, 손실을 피하려는 사람이 매수 가격을 낮추고, 이전 상승을 놓친 사람도 더 기다리기로 하면 같은 호재에 들어오는 주문의 강도가 달라진다. 현재 이익이 좋다는 정보가 널리 알려져 있어도 가격을 올릴 새로운 매수는 부족할 수 있다. ![코스피 코스닥 넥스트레이드 포함 월별 거래대금](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/bb56cd8b-8449-4daa-b2e4-f9f3ee49f150.webp) *[영상 10:31](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=631s). 코스피·코스닥 합산, 넥스트레이드 포함 월별 거래대금. 영상은 2025년 12월 약 670조 원, 2026년 6월 약 2,000조 원, 9월 약 700조 원을 대비한다.* 거래대금이 급증했다가 줄어든 그림은 매매 활동의 온도가 달라졌다는 설명과 맞닿는다. 다만 거래대금은 사고판 금액의 합계이지 시장에서 빠져나간 현금의 규모가 아니다. 월별 거래일 수도 다르다. 이 도표만으로 외국인 자금 유출액이나 호가창의 매수 잔량을 계산할 수는 없다. 거래 활동 감소는 도표의 관찰이고, 이를 급락을 완충할 매수세의 약화로 연결하는 것은 영상의 해석이다. 박스권 하단이 무너졌다는 설명도 같은 맥락에서 이해했다. 일정 가격대가 반복해서 지지됐다는 것은 그 부근에서 사려는 주문이 매도를 받아냈다는 뜻이다. 이번에는 그 가격에서 거래를 버텨 주던 수요가 충분하지 않았고, 손절 주문까지 겹치면서 더 낮은 가격에서 새로운 매수자를 찾아야 했다. 과거 지지선은 사람들이 반응했던 가격의 기록이지 다음에도 반드시 지켜질 약속은 아니다. 금리는 이 과정에서 선택지를 바꾼다. 채권에서 받을 수 있는 수익률이 높아지면 불확실한 주식 이익을 기다리는 대가도 높아진다. 달러 채권을 원화 투자자의 대안으로 비교할 때에는 만기 전 가격 변동과 환율도 수익에 반영해야 한다. 영상의 금리 논점에서 가져올 핵심은 주식과 경쟁하는 자산의 매력이 커졌다는 점이다. ## 원화 강세는 수출기업 이익의 번역 비율을 바꾼다 영상은 환율 하락도 반도체 주가에 부담을 더한 배경으로 든다. 같은 달러 매출을 올려도 달러당 받는 원화가 줄면 원화로 표시한 매출과 이익의 출발점이 달라진다. 제품 가격과 판매량만 보고 이익을 추정하면 이 변화를 놓칠 수 있다. ![원달러 환율의 기간 고점 저점과 촬영 시 값](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/5c245838-afa7-4339-a9ef-15d63a838e65.webp) *[영상 13:58](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=838s). 1년 환율 차트의 고점은 1,561.5원, 저점은 1,331.3원이며 촬영 시 표시 값은 1,341.40원이다.* 가령 달러 매출 10억 달러가 그대로라고 가정하면 환율 1,561원에서는 1조 5,610억 원, 1,330원에서는 1조 3,300억 원으로 환산된다. 차이는 2,310억 원, 약 14.8%다. 이는 환산 효과를 이해하기 위한 계산이다. 실제 기업에는 달러로 지불하는 비용과 설비투자, 환헤지가 있어 영업이익이 같은 비율로 줄지는 않는다. 외국인 투자자의 시각도 따로 보아야 한다. 원화 강세는 이미 보유한 원화 주식의 달러 환산 가치를 높이는 효과가 있다. 따라서 원화가 강해졌다는 사실만으로 외국인의 매도 동기를 단정할 수 없다. 기업의 원화 이익 전망과 투자자의 달러 수익률을 각각 계산해야 한다. 영상의 환율 설명은 우선 수출기업의 이익 환산에 영향을 주는 경로로 이해하는 것이 맞다. ## 많은 이익이 한 주의 가치로 이어지는 경로 영상 후반에는 SK하이닉스의 Solidigm 자금 조달, ADR 관련 잠재 매물, 추가 투자와 공시를 둘러싼 우려가 나온다. 이 대목의 질문은 일관된다. 회사가 많이 벌고 있어도 기존 주주가 그 돈의 사용처를 예측하기 어렵다면, 시장은 이익 전체에 같은 가치를 붙이지 않을 수 있다는 것이다. ![Solidigm ADR 설비투자와 주주 소통에 관한 시장 논평](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/bb30b1b2-21df-42f9-9780-edbd8f21b628.webp) *[영상 14:34](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=874s). Solidigm, ADR, 설비투자와 소통에 관한 개별 시장 논평을 소개한 화면.* 이 부분은 회사의 실제 발표를 함께 놓아야 한다. [SK하이닉스는 10월 1일](https://news.skhynix.com/en/fact-11/) Solidigm의 성장을 위한 여러 내부·외부 자금 조달 방안을 검토하고 있지만 구체적으로 결정된 것은 없다고 설명했다. IPO를 이미 확정한 사건처럼 쓰면 논의의 출발점부터 달라진다. ADR 역시 락업 해제에 따른 매도 가능성, 기존 주식의 거래 구조, 새 주식 발행에 따른 희석을 구분해야 한다. 잠재 매물이 있다는 말이 곧 신규 발행을 뜻하지는 않는다. 더 중요한 보완은 이미 발표된 환원 계획이다. [SK하이닉스는 8월 19일](https://news.skhynix.com/en/share-buyback-and-retirement/) 40조 원 규모의 자사주 매입과 전량 소각을 결정했고, 8월 20일부터 약 3개월에 걸쳐 취득할 계획을 밝혔다. 이제 판단의 대상은 발표된 계획이 얼마나 집행됐는지, 이후 투자와 조달을 합친 결과가 기존 한 주의 현금흐름에 어떻게 반영되는지다. 삼성전자도 [8월 21일 발표](https://news.samsung.com/global/samsung-electronics-to-implement-largest-ever-shareholder-return-in-2026-estimated-at-krw-90-to-110-trillion)에서 2026년 총 90조\~110조 원의 주주환원을 예상했다. 이 안에는 배당과 향후 매입·소각 계획이 포함되며, 별도로 언급된 15조 원 자사주 취득은 임직원 보상용이다. ‘큰 규모의 자사주 매입’이라는 제목만 보고 전부 소각되는 물량이나 즉각적인 시장 매수로 더해서는 안 된다. 발표 규모, 실제 취득, 소각, 주식 보상으로 다시 나오는 물량을 나누어 보아야 한다. 자사주 소각의 규제와 지배구조 문제를 다루는 후반 설명도 이 구분 위에서 읽었다. 소각으로 총주식 수가 줄면 기존 주주의 지분율이 높아질 수 있다는 구조 자체는 이해할 수 있다. 그러나 [금융산업의 구조개선에 관한 법률 제24조](https://www.law.go.kr/%EB%B2%95%EB%A0%B9/%EA%B8%88%EC%9C%B5%EC%82%B0%EC%97%85%EC%9D%98%EA%B5%AC%EC%A1%B0%EA%B0%9C%EC%84%A0%EC%97%90%EA%B4%80%ED%95%9C%EB%B2%95%EB%A5%A0/%EC%A0%9C24%EC%A1%B0)는 금융회사의 다른 회사 지분 보유에 대해 지배관계와 지분율 등에 따른 승인 요건을 정한다. 이를 모든 상황에 적용되는 ‘10% 절대 상한’으로 요약할 수는 없다. 개별 소각의 제약은 실제 지분율과 적용 법령·승인 조건으로 확인해야 한다. 영상에는 증여 시점의 주가와 세금에 관한 추측도 등장한다. [상속세 및 증여세법 제63조](https://www.law.go.kr/%EB%B2%95%EB%A0%B9/%EC%83%81%EC%86%8D%EC%84%B8%EB%B0%8F%EC%A6%9D%EC%97%AC%EC%84%B8%EB%B2%95/%EC%A0%9C63%EC%A1%B0)가 상장주식 평가에 평가기준일 전후 각 2개월의 종가 평균을 사용한다는 것은 확인할 수 있다. 여기서 특정 주주가 주가 하락을 의도했다는 결론으로 건너뛸 근거는 제시되지 않았다. 주주가 요구할 수 있는 것은 동기에 대한 추측보다, 현금 배분 기준과 집행 일정이 분명한 설명이다. ## 시장이 다시 높은 가격을 지불할 이유 영상이 제시하는 반전 조건은 AI 활용을 크게 확장하는 계기, 금리 하락, AI가 투자 비용을 감당할 만큼 돈을 버는 모습이다. 각각 수요의 크기, 자금의 가격, 투자 회수 능력에 대응한다. 주주환원과 소통은 그렇게 번 돈이 한 주의 가치에 반영되는 마지막 연결고리다. ![AI 수익과 자금 조달을 중심으로 본 반전 조건](https://www.readiz.com/assets/authored/c3d394cb-47fe-43db-8742-12bfcb1ef68a/ebe872d7-fc1e-4355-af1a-d5da250f3aad.webp) *[영상 16:11](https://www.youtube.com/watch?v=hzomN7wiW_8\&t=971s). AI 수요를 넓히는 변화, 자금 조달 부담의 완화, AI에서 발생하는 현금이 투자 지출을 감당하는 모습을 반전의 조건으로 제시한다.* 내가 이 영상에서 가져간 판단은 현재의 호실적을 인정하되 그 숫자를 곧바로 장기 가치로 연장하지 말아야 한다는 것이다. 고객이 AI 투자로 현금을 회수하고, 그 현금으로 다음 인프라 투자를 이어 가며, 반도체 회사가 받은 현금을 생산적인 투자와 주주환원으로 배분하는 흐름이 보여야 한다. 이 흐름에 대한 신뢰가 약해지면 좋은 실적과 낮은 PER이 함께 있어도 주가는 더 낮은 가격에서 거래될 수 있다. CXMT 소식은 이 흐름 중 경쟁의 한 부분을 건드린다. 10월 13일의 낙폭 전체를 이해하려면 여기에 자금 조달 비용, 이미 큰 조정을 겪은 투자자의 주문, 환율, 자본 배분을 함께 놓아야 한다. 결국 내가 확인하고 싶은 것은 다음 분기에 얼마나 많이 버느냐에 더해, **그 이익이 다음 투자와 기존 주주의 몫을 얼마나 오래 함께 지탱할 수 있느냐**다. 자료의 정의와 원문은 [한국 증시 자료 읽기: 금리·자사주·AI 투자](https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/)에 함께 정리했다. 영상 화면은 해당 논점을 설명하기 위해 인용했고, 추가 공시와 법령 대조는 2026년 10월 13일 기준이다. --- --- id: "authored/e7ec8ccd-fc60-42a8-b61c-b231c55f7c39" title: "웹앱을 자동 업데이트 가능한 Android APK로 만들기" description: "앱 설정으로 재사용하는 WebView 보일러플레이트와 Codex 스킬. APK 자동 업데이트, 서명키 생성·백업·복원, 빌드·게시 검증을 정리한다." kind: "llm-wiki" published: "2026-10-13T04:00:34.835Z" tags: ["Android","WebView","앱 배포"] url: "https://www.readiz.com/llm-wiki/android-webapp-apk-auto-update-signing-skill/" markdownUrl: "https://www.readiz.com/llm-wiki/android-webapp-apk-auto-update-signing-skill/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "개발·기술/모바일 앱" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B0%9C%EB%B0%9C%C2%B7%EA%B8%B0%EC%88%A0%2F%EB%AA%A8%EB%B0%94%EC%9D%BC+%EC%95%B1" --- # 웹앱을 자동 업데이트 가능한 Android APK로 만들기 웹앱을 Android 앱으로 반복해서 배포할 때 공통으로 남는 작업은 웹 화면을 여는 코드보다 **앱의 신원을 유지하며 새 APK를 전달하는 과정**이다. 앱 이름과 주소는 설정으로 분리하고, 서명키·버전·파일 검증·설치 확인을 공통 구현으로 묶으면 다음 앱에서도 같은 배포 절차를 재사용할 수 있다. [android-webapp-apk](https://github.com/Readiz/android-webapp-apk)는 이 과정을 담은 WebView 보일러플레이트와 Codex 스킬이다. 앱 설정 하나로 독립 프로젝트를 생성하며, 생성된 앱 안에 Android 소스·업데이트 서버·서명 및 배포 도구가 함께 들어간다. 여기서는 [2026-10-13 기준 코드](https://github.com/Readiz/android-webapp-apk/tree/61bedc9)를 기준으로 구조와 사용법을 설명한다. ## 웹 업데이트와 APK 업데이트를 나누기 웹앱의 화면·업무 로직을 웹 서버에 배포하면 앱의 WebView도 해당 서버의 콘텐츠를 읽는다. 반면 WebView 설정, Android 권한, 네이티브 코드처럼 APK에 들어 있는 내용은 새 APK가 필요하다. 서비스워커나 HTTP 캐시를 쓰는 웹앱은 웹 배포 자체의 캐시 갱신 절차도 따로 관리한다. | 바뀌는 내용 | 배포 대상 | 이 보일러플레이트의 역할 | | ------------------- | ---------- | ---------------------------- | | 웹 화면, 서버 API | 웹 서버 | 설정된 HTTPS 주소를 연다 | | 네이티브 기능, WebView 정책 | 서명한 APK | 새 버전 확인·다운로드·파일 검증·설치 확인 | | 앱 이름, 시작 주소, 패키지명 | 앱별 설정 | 생성할 프로젝트의 설정을 구성한다 | | 서명키, 비밀번호 | 비공개 외부 저장소 | 빌드 때 읽으며 Git과 공개 서버에는 넣지 않는다 | 이 구현의 자동 업데이트는 **앱 실행·복귀 시 확인 → 자동 다운로드 → 검증 → Android 설치 확인**이다. 확인에는 15분 중복 제한이 있고, 설치를 미루면 24시간 유예한다. 앱이 종료된 동안 계속 확인하는 작업은 포함하지 않는다. API 31 이상에서는 `USER_ACTION_REQUIRED`를 명시한다. 이는 이 템플릿이 선택한 설치 정책이며, Android가 제공하는 모든 업데이트 방식을 뜻하지는 않는다. [PackageInstaller 공식 문서](https://developer.android.com/reference/android/content/pm/PackageInstaller.SessionParams#setRequireUserAction\(int\)) ## 앱 설정 하나로 프로젝트 만들기 공개 저장소를 복제한 뒤 `examples/notes.json`을 자신의 설정으로 복사한다. 예시 URL은 실제 서비스 주소로 바꿔야 한다. ```json { "appName": "My Notes", "applicationId": "com.example.notes", "versionCode": 1, "versionName": "0.1.0", "homeUrl": "https://notes.example.com/app/home", "internalUrls": ["https://notes.example.com/app"], "updateBaseUrl": "https://updates.example.com/notes/", "signingAlias": "notes-release" } ``` `applicationId`는 설치된 앱의 식별자다. 기존 앱을 업데이트하려면 원래 값을 유지한다. `versionCode`는 업데이트 순서를 판정할 증가 정수이고, `versionName`은 표시와 배포 파일 이름에 사용하는 버전이다. 이 템플릿은 `0.1.0` 같은 숫자 세 부분 형식을 사용한다. `internalUrls`는 WebView 안에 남길 HTTPS origin과 경로 접두사다. `/app`을 허용했다고 `/application`까지 허용하지 않는다. 외부 링크는 사용자의 클릭을 통해 외부 브라우저로 연결한다. 로그인에 다른 origin이 필요하다면 실제 인증 흐름을 확인해 필요한 경로만 추가한다. WebView와 일반 브라우저는 애플리케이션 데이터를 공유하는 동일 저장소가 아니므로, 웹에서 이미 로그인했다는 사실만으로 앱 로그인까지 확인됐다고 판단하지 않는다. [WebView 공식 안내](https://developer.android.com/develop/ui/views/layout/webapps/webview) 저장소 루트에서 생성한다. ```bash python3 skills/readiz-webapp-android/scripts/create_app.py \ --config /path/to/my-app.json \ --out /path/to/new-app ``` 기존 대상 폴더는 덮어쓰지 않는다. 아이콘은 기본 벡터 대신 `--icon /path/to/square.png`로 지정할 수 있다. PNG는 정사각형 48–1024픽셀, 최대 1 MiB를 받는다. 생성된 프로젝트에는 다음 구성이 들어간다. ```text new-app/ app.json android/ WebView, 업데이트 상태 처리, Android 검사 server/ 버전 메타데이터와 APK 제공 tools/ 서명키 생성, 빌드, 게시, 운영 대조 docs/ 서명키 생성·백업·복원 안내 ``` 템플릿의 Java 패키지는 공통 코드용 namespace로 유지하고 설치 식별자는 `app.json`에서 가져온다. 생성 결과는 원래 보일러플레이트 저장소 없이도 빌드할 수 있다. 이후 공통 템플릿이 바뀌더라도 기존 앱 소스에 자동으로 덮어쓰지 않으며, 필요한 변경을 각 앱에서 검토해 적용한다. ## 서명키는 새 앱의 첫 배포 때 만든다 APK의 해시는 파일이 같은지를 보여주고, 서명 인증서는 누가 그 APK를 서명했는지 확인하는 기준이 된다. 이 템플릿은 기존 앱과 **동일한 서명 인증서**를 요구한다. 키 교체와 signing lineage는 별도 구현 대상이다. Play App Signing의 업로드 키와 앱 서명키도 구분해야 한다. 직접 APK를 배포하는 이 구성에서는 보유한 앱 서명키를 계속 관리한다. [Android 앱 서명 문서](https://developer.android.com/studio/publish/app-signing) 먼저 JDK 17, Android SDK platform 36와 build-tools 35.0.0, Gradle 8.13을 준비한다. 다음 경로는 실제 설치 위치로 바꾼다. ```bash export JAVA_HOME=/path/to/jdk-17 export ANDROID_HOME=/path/to/android-sdk export GRADLE_HOME=/path/to/gradle-8.13 ``` 생성된 앱의 루트에서 새 앱 최초 한 번만 실행한다. ```bash python3 tools/init_signing.py --new-app ``` 기본 키 디렉터리는 사용자의 설정 폴더 아래 `android-webapp-apk//signing/`이다. 다른 위치를 쓰려면 생성과 빌드에 같은 `WEBAPP_SIGNING_DIR`을 설정한다. 앱별로 키를 분리하면 다른 앱의 키를 잘못 연결한 사고도 구분하기 쉽다. 이 명령은 RSA 3072비트 키와 10,000일 유효기간 인증서를 생성한다. 키스토어 포맷은 PKCS12이며 파일 이름은 도구 규약상 `release.jks`다. alias는 `app.json`의 `signingAlias`에서 가져온다. 무작위 비밀번호는 `password` 파일에 저장하고 공개 인증서는 `certificate.pem`으로 내보낸다. 키 디렉터리는 소유자 전용, 키와 비밀번호는 소유자 읽기·쓰기 권한으로 생성한다. 기존 앱에서는 이 명령으로 새 키를 만들지 않는다. 원래 키와 비밀번호를 복원하거나 원래 디렉터리를 연결한다. 빌드 도구는 키가 없으면 중단하며 자동 생성하지 않는다. 비밀번호나 alias가 같아도 새로 만든 개인키는 원래 키가 아니다. ### 보관과 복원 때 확인할 것 키스토어와 비밀번호는 둘 다 복원할 수 있어야 한다. 저장소에는 비밀이 아닌 applicationId·alias·인증서 지문·버전 기록만 남기고, 키와 비밀번호는 Git 및 공개 릴리스에 넣지 않는다. 백업은 암호화하며, 백업 암호도 별도 복원 수단을 마련한다. 네트워크 저장소를 사용할 때는 실제 마운트와 쓰기 권한을 확인하고, 같은 저장 장치의 사본과 독립 백업을 구별한다. 복원은 원래 파일을 덮어쓰기 전에 별도 임시 디렉터리에서 수행한다. 이전 배포 APK의 인증서 SHA-256과 복원한 키의 인증서를 대조한다. 다음 명령은 비밀번호 원문을 명령행에 넣지 않고 파일에서 읽는다. ```bash "$JAVA_HOME/bin/keytool" -list -v \ -keystore "$WEBAPP_SIGNING_DIR/release.jks" \ -storepass:file "$WEBAPP_SIGNING_DIR/password" \ -alias notes-release "$ANDROID_HOME/build-tools/35.0.0/apksigner" \ verify --print-certs /path/to/previous.apk ``` 템플릿의 새 키는 store password와 key password가 같은 단일 signer 구성이다. 기존 키가 다른 구성이면 키 비밀번호를 임의로 바꾸지 말고 빌드 설정을 맞춘다. 자세한 생성·암호화 백업·복원 절차는 [서명키 관리 문서](https://github.com/Readiz/android-webapp-apk/blob/61bedc9/skills/readiz-webapp-android/references/signing.md)에 있다. ## 빌드와 게시를 별도 명령으로 두기 빌드 결과와 실제 서비스에서 제공하는 파일은 서로 다른 상태다. 생성 앱의 루트에서 먼저 새 출력 디렉터리로 빌드한다. ```bash python3 tools/build.py --output /outside/project/build-0.1.0 ``` 이 명령은 Android 검사, release lint, 서명 빌드와 APK 패키지·버전 검증을 수행한다. 결과는 `app-0.1.0.apk`, 그 메타데이터, 인증서 지문을 담은 `verification.json`이다. 키와 산출물은 프로젝트 밖에 둔다. 검증한 APK를 게시할 때 별도 명령을 실행한다. ```bash python3 tools/publish.py \ --apk /outside/project/build-0.1.0/app-0.1.0.apk \ --releases /outside/project/releases ``` 게시기는 실제 APK를 다시 검사하고 기존 게시본의 인증서·패키지와 비교한다. 버전이 내려가거나 같은 versionName에 다른 APK 바이트를 덮어쓰는 요청은 거절한다. 버전 고정 APK와 메타데이터를 먼저 준비하고, 마지막에 최신 메타데이터를 원자적으로 바꾼다. 이 순서는 다운로드 중인 사용자를 보호한다. 앱이 0.1.0 메타데이터를 읽은 직후 서버가 0.1.1로 바뀌더라도, 0.1.0의 버전·해시로 지정한 파일을 계속 받을 수 있어야 한다. 서버 최신 포인터를 이전 버전으로 되돌리는 일과 이미 설치된 앱을 낮은 versionCode로 되돌리는 일도 다르다. 기기에 수정본을 배포할 때는 수정한 코드에 더 높은 versionCode를 부여한다. ## 업데이트 서버와 앱이 나눠 검증하기 서버는 `updateBaseUrl` 아래 두 경로만 제공한다. | 경로 | 용도 | | -------------------------------- | ------------------------------------------------------ | | `app-version` | packageName, versionCode, versionName, size, sha256 반환 | | `app.apk` | 현재 검증된 APK 반환 | | `app.apk?version=0.1.0&sha256=…` | 메타데이터에서 지정한 버전의 정확한 APK 반환 | 독립 Node 서버는 기본적으로 loopback 주소에서 실행한다. 운영 HTTPS 프록시와 경로 연결은 서비스에 맞게 구성한다. ```bash node server/server.mjs \ --releases /outside/project/releases --port 8080 ``` 키 디렉터리나 전체 프로젝트를 정적 파일 루트로 공개할 필요가 없다. 서버는 APK의 실제 크기와 해시를 대조하고, 메타데이터에는 다섯 필드만 내보낸다. 기본 상한은 메타데이터 4 KiB, APK 16 MiB다. 더 큰 네이티브 기능을 추가한다면 실제 산출물 크기에 맞춰 클라이언트와 서버의 상한을 함께 검토한다. 앱은 전용 캐시에 임시 다운로드한 뒤 크기·SHA-256·패키지·정확한 버전·기존 서명 인증서를 확인한다. WebView 로그인 쿠키를 업데이트 요청에 복사하지 않으며, 임의의 리다이렉트도 따라가지 않는다. 설치 허용 설정에서 복귀하거나 설치를 취소했을 때도 같은 화면이 즉시 반복되지 않게 상태를 관리한다. 기본 템플릿에는 JavaScript bridge를 넣지 않았다. 웹에서 네이티브 권한을 호출하는 기능이 필요하면 해당 경계부터 별도로 설계한다. 운영 배포 뒤에는 공개 응답도 확인한다. ```bash python3 tools/verify_deployment.py \ --manifest /outside/project/build-0.1.0/app-0.1.0.apk.json ``` 버전 메타데이터, 최신 APK, 버전 고정 APK의 바이트와 해시를 로컬 검증본과 대조한다. 이 검사는 실계정 로그인을 하거나 기기에 설치하지 않는다. ## 스킬을 재사용하는 방법 저장소 루트에서 다음 명령으로 로컬 Codex의 스킬 경로에 연결한다. ```bash python3 tools/install-skill.py ``` [readiz-webapp-android 스킬](https://github.com/Readiz/android-webapp-apk/blob/61bedc9/skills/readiz-webapp-android/SKILL.md)은 생성기와 템플릿을 함께 가진다. 다른 환경으로 복사할 때도 `SKILL.md`만 가져오지 않고 `scripts/`, `assets/`, `references/`를 포함한 폴더 전체를 복사한다. 기존에 다른 스킬이 설치된 경로는 덮어쓰지 않는다. 다음처럼 작업을 요청할 수 있다. > `$readiz-webapp-android`를 사용해서 이 HTTPS 웹앱을 Android 앱으로 만들어줘. 기존 앱이면 패키지와 서명키, 웹 저장소 주소를 유지하고, 빌드와 업데이트 경로를 검증해줘. 스킬은 새 앱 생성과 기존 앱 갱신을 구분한다. 기존 WebView 앱을 TWA로 바꾸거나, 위젯·미디어 재생·TV 리모컨 기능을 한꺼번에 공통 템플릿에 넣지 않는다. 공통 배포 경로를 재사용하면서 앱 고유 기능은 해당 앱에서 확장하는 편이 변경 범위를 확인하기 쉽다. ## 검증한 범위 2026-10-13 기준 서로 다른 패키지명·URL·서명 alias를 가진 예시 앱 두 개에서 서명 APK 빌드와 Android 검사 28개가 통과했다. 생성기·키 보존·실패 정리를 다룬 Python 검사 6개, HTTP 제공 경계를 다룬 Node 검사 4개도 통과했다. 실제 서명 APK로 같은 키의 버전 상승, 다른 패키지 차단, **같은 패키지를 다른 키로 다시 서명한 APK 차단**, 버전 하향 거절, 이전 버전 다운로드 유지를 확인했다. 이 결과는 공통 코드와 파일 전달 경로의 검증이며, 각 서비스의 실제 로그인과 물리 Android 기기 설치는 별도로 확인해야 한다. 재현 명령과 기록은 [TESTING.md](https://github.com/Readiz/android-webapp-apk/blob/61bedc9/TESTING.md)에 있다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/6490d02d-d1c4-4748-9bf2-12172bae809e" title: "한국 증시의 반등은 금리보다 자금의 회복에 달렸다" description: "고금리 누적 부담과 자사주 매입 이후의 수급, 미국 데이터센터 규제와 신용 스프레드를 연결해 한국 증시 반등의 조건을 살펴본다." kind: "record" published: "2026-10-12T16:14:16.544Z" updated: "2026-11-11T05:41:36.493Z" tags: ["금리","투자","반도체"] url: "https://www.readiz.com/records/kospi-rebound-rates-buybacks-ai-credit-20261012/" markdownUrl: "https://www.readiz.com/records/kospi-rebound-rates-buybacks-ai-credit-20261012/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 한국 증시의 반등은 금리보다 자금의 회복에 달렸다 금리가 내려갔는데 주가도 떨어졌다. 이 조합에서 중요한 것은 금리의 방향보다 **기업이 돈을 빌리는 조건과 주식을 받아 줄 자금이 함께 나아지고 있는가**다. 국채금리만 낮아지고 기업의 위험 프리미엄은 높아진다면, 주식시장이 기다리는 부담 완화는 아직 오지 않은 것이다. 2026년 10월 12일 박종훈의 지식한방은 한국 증시의 급락을 다섯 갈래로 설명한다. 한국 금리의 큰 상승폭, 오래 지속된 고금리, 자사주 매입에 의존한 수급, 미국 데이터센터 규제, 그리고 경기 둔화를 반영하는 금리 하락. 이 다섯 가지는 결국 한 질문으로 모인다. **반도체가 벌어들이는 큰 이익이 높은 금융비용과 매수 공백을 넘어설 수 있느냐.** [YouTube: 한국 증시 또 급락, 언제 반등할까? (박종훈의 지식한방)](https://www.youtube.com/watch?v=hTRG4ehA6NU) ## 금리의 높이와 오른 폭은 다른 문제다 영상의 첫 화면은 10월 12일 코스피 하락률 3.65%, 나흘간 하락률 8.8%와 국고채 10년물 금리의 4.40%→4.30% 하락을 나란히 놓는다. 보통 금리가 내려가면 기업의 이자 부담이 줄고 미래 이익의 현재가치가 올라갈 것으로 기대한다. 그런데 주가가 함께 떨어진다면 그날 시장이 반영한 이익 전망과 자금 사정을 같이 봐야 한다. ![10월 12일 코스피 하락과 국고채 금리 하락을 비교한 영상 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/bf30da39-9cbd-4dfc-835a-d8f250a94038.webp) *영상에 제시된 10월 12일 시장 상황. [박종훈의 지식한방, 0:29](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=29s)* 그 전에 쌓인 충격부터 보자. 영상은 2025년 9월 26일과 2026년 9월 28일의 10년물 금리를 비교한다. 한국은 2.94%에서 4.54%로 1.60%포인트, 미국은 4.20%에서 5.21%로 1.01%포인트 올랐다. 미국의 금리 수준이 더 높아도, 같은 기간 새로 더해진 금리 부담은 한국 쪽이 컸다는 설명이다. 프랑스 국채 이야기를 끌어오는 이유도 절대 금리 하나로 충격을 판단할 수 없다는 데 있다. ![한국과 미국 10년물 금리의 시작점과 상승폭을 비교한 장면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/5ec55817-c0b7-40c0-8788-0ed9b6871d79.webp) *2025년 9월 26일→2026년 9월 28일, 영상이 금융투자협회·미 재무부 자료로 제시한 비교. 금리 변화의 단위는 %포인트. [박종훈의 지식한방, 4:19](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=259s)* 금리 상승폭이 기업과 가계의 추가 이자로 이어지는 크기는 빚의 규모와 계약에 달려 있다. 원금 1억 원인 변동금리 대출의 적용 금리가 1%포인트 높아진다면, 원금을 그대로 두었을 때 연간 이자가 100만 원 늘어난다. 국채금리 상승분이 모든 대출에 그대로 적용되는 것은 아니지만, 조달금리가 올라 대출 금리가 다시 정해지는 경로는 이렇게 작동한다. 저금리에 맞춰 소비와 투자를 계획한 차주일수록 갑작스러운 상승을 흡수하기 어렵다. 영상은 미국과 한국의 국가부채, 베이비붐 세대의 은퇴 시차도 비교한다. 고령화와 재정 조달은 장기적인 금리 배경이다. 이 인구구조의 변화가 시장금리에 전달되는 과정에서는 실제로 채권을 누가 사고 얼마나 발행하는지가 중요하다. ## 채권을 사던 돈이 줄면 기업의 조달비용부터 높아진다 정부와 은행, 기업이 채권을 발행할 때는 투자자의 돈을 놓고 경쟁한다. 같은 금리에서 받아 주는 수요가 줄면 채권 가격이 낮아지고 수익률은 높아진다. 은행채 금리가 오르면 은행의 자금 조달비용에도 영향을 주며, 이후 대출금리와 기업의 자금 사정으로 이어질 수 있다. 영상은 이 수급을 설명하면서 국민연금의 국내 채권 투자 축소, 펀드의 채권 비중 하락, 외국인 주식 순매도, 은행채 발행 증가를 묶는다. 화면에는 국민연금 국내 채권 투자 1년 반 동안 56조 원 감소, 펀드 채권 비중 3월 19.9%→5월 16.6%, 은행채 발행 전년 대비 46% 증가가 제시된다. 이 수치들은 서로 다른 기간과 대상을 설명한다. 특히 자산 비중은 다른 자산의 가격이 올라가도 낮아진다. 채권 비중 하락을 그만큼의 채권 순매도로 바꾸거나, 주식 매도대금 전부가 해외로 빠져나갔다고 계산할 수는 없다. 여기서 취할 설명은 **채권 수요와 공급의 균형이 나빠지면 더 높은 금리를 요구받는다**는 경로다. 개별 주체가 금리 상승에 얼마나 기여했는지는 별도의 거래 자료가 필요하다. 한국은행도 8월 27일 기준금리를 2.75%에서 3.00%로 높였다. 당시 결정문은 수출과 내수의 성장세, 목표를 웃돌 물가, 금융안정 위험을 인상 이유로 제시한다. 영상이 이를 뒤늦은 대응으로 평가하는 부분은 정책에 대한 견해다. 공시된 정책 이유까지 포함하면, 금리 상승에는 채권 수급 외에 물가와 향후 정책 경로에 대한 기대도 들어 있었다. [한국은행 통화정책방향, 2026년 8월 27일](https://www.bok.or.kr/portal/bbs/P0000559/view.do?menuNo=200690\&nttId=11064191\&programType=newsData) ## 고금리는 시간이 지날수록 더 많은 계약에 반영된다 금리가 오른 첫날과 그 금리가 몇 달 유지된 뒤의 경제는 다르다. 변동금리 대출은 금리 조정일마다, 고정금리 회사채는 만기가 돌아와 차환할 때 새 비용이 들어온다. 시장금리가 더 오르지 않아도 비싼 금리를 적용받는 계약은 계속 늘 수 있다. 영상이 국고채 10년물 4% 이상이 다섯 달째 이어졌다는 점을 강조하는 이유다. ![고금리 지속 기간과 가계·기업의 변동금리 노출을 설명한 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/2383e171-2b16-4073-9fe3-8290ddbae6aa.webp) *영상의 가계 비중은 8월 말, 기업 비중은 7월 말 기준. 금리 재산정 시차를 통해 부담이 누적되는 구조. [박종훈의 지식한방, 10:35](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=635s)* 한국은행의 8월 통계를 보면 예금은행 가계대출 잔액 중 변동금리 비중은 57.3%다. 같은 달 새로 취급한 가계대출에서는 76.5%다. 이미 쌓인 빚의 노출을 보려면 잔액을, 최근 대출의 선택과 공급 조건을 보려면 신규취급액을 봐야 한다. 신규 대출 비중을 전체 가계의 비중으로 읽으면 충격의 크기를 과장하게 된다. [한국은행, 2026년 8월 금융기관 가중평균금리](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=200690\&nttId=11065098) ![신규취급액과 잔액 기준 가계대출 변동금리 비중을 비교한 차트](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/6a43bdf7-8823-4ebc-b9b6-ab10595d0d59.webp) *2026년 8월 잠정치, 예금은행 가계대출. 고정금리 비중을 100에서 차감해 계산. [한국은행 원문](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=200690\&nttId=11065098) 14·16쪽 수치로 직접 그림.* 가계는 같은 소득에서 이자로 더 많이 지급하면 소비 여력이 줄어든다. 기업은 같은 매출을 올려도 이자와 차환 비용이 늘면 투자에 남기는 돈이 줄어든다. 반대로 장기 고정금리 계약과 충분한 현금을 가진 주체는 비용이 반영되기까지 시간을 벌 수 있다. 이전에 정리한 [고금리와 부채 만기의 관계](https://www.readiz.com/records/high-rates-debt-maturity-korea-us-20261009/)도 이 차이다. 고금리의 부담이 특히 큰 쪽은 이익이나 소득이 정체된 상태에서 금리 갱신과 차환을 맞는 차주다. 이들에게는 고금리의 지속 자체가 현금흐름을 악화시키는 요인이다. ## 수출 호황과 내수의 부담은 동시에 존재한다 영상은 수출 기록과 설비투자·소매판매·실질임금의 부진을 대비한다. 수출기업이 많이 벌었다는 사실과 가계의 생활, 국내 전체 업종의 사정은 일치하지 않는다. 수출액은 해외 판매 금액이고, 국내 소비는 가계가 소득에서 실제로 지출한 결과이기 때문이다. ![수출 신기록과 소비·투자·실질임금의 약화를 대비한 영상 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/b1b77ba1-b1a7-4299-93b9-1cffdeea8466.webp) *영상은 서로 다른 주기의 수출·내수 지표를 나란히 놓는다. 아래에서는 산업활동의 전월비와 전년비를 함께 확인한다. [박종훈의 지식한방, 13:05](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=785s)* 9월 수출은 산업통상부 공식 발표 기준 **1,209.4억 달러**, 전년 동월 대비 83.5% 증가다. 반도체 수출은 603.0억 달러로 전체의 약 절반이다. 호황은 크지만 업종별로 퍼지는 폭이 다르다. 20대 주력 품목 중 수출이 증가한 것은 11개였으며 자동차와 일반기계 등은 감소했다. [산업통상부, 2026년 9월 수출입 동향](https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/172254/view) 8월 산업활동은 전월 대비 전산업생산 -1.3%, 소매판매 -1.8%, 설비투자 -9.5%였다. 전월비 하락의 내용은 세부 항목에서 더 선명하게 드러난다. 설비투자 감소는 선박·항공기 등 운송장비 감소의 영향이 컸고, 반도체 제조용 기계 등을 포함한 기계류 투자는 전월 대비 1.6% 늘었다. 설비투자 전체도 전년 동월 대비로는 16.1% 증가했다. [국가데이터처, 2026년 8월 산업활동동향](https://m.korea.kr/archive/expDocView.do?docId=41895) ![8월 산업활동의 전월 대비와 전년 동월 대비를 나누어 비교한 차트](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/4f96771c-2e6f-4172-81e7-fe7f841eaf52.webp) *2026년 8월 잠정치. 전월비는 계절조정, 전년 동월비는 원계열. [국가데이터처 원문](https://m.korea.kr/archive/expDocView.do?docId=41895) 요약 2·4·5쪽 수치로 직접 그림.* 여기서 판단은 더 구체적이어야 한다. **반도체 중심의 높은 수출·투자 수준이 유지되는 가운데 소비와 일부 업종의 단기 흐름은 약해졌다.** 월간 설비투자 하락을 고금리 하나로 설명할 수 없고, 수출 신기록만으로 내수의 부담을 지울 수도 없다. 영상의 실질임금 감소 언급도 결국 이 간격을 가리킨다. 명목 임금이 늘어도 물가를 뺀 구매력이 충분히 늘지 않으면 소비 회복은 더디다. 증시에서는 이 차이가 업종별 이익 전망으로 돌아온다. 반도체 대기업의 좋은 실적을 전체 기업의 이자 감당 능력으로 확대할 수 없다. 시장의 반등이 넓어지려면 수출 이익이 국내 구매력과 다른 업종의 현금흐름으로 퍼져야 한다. ## 자사주 매입은 끝이 정해진 매수 주문이다 수급 부분에서 영상은 **삼성전자·SK하이닉스 두 종목의 9월 순매수**를 보여 준다. 개인 -18.3조 원, 외국인 -16.5조 원에 맞서 회사의 자사주 매입 +32.3조 원이 제시된다. 지수 영향력이 큰 두 종목에서 기업 자신이 매물을 받아 주는 역할이 컸다는 뜻이다. ![삼성전자와 SK하이닉스 두 종목의 9월 개인·외국인·회사 매수를 비교한 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/157f0054-fae6-4584-b469-08ac69a6f2dd.webp) *삼성전자·SK하이닉스 두 종목, 9월 수급에 관한 영상 제시 수치. 코스피 전체 통계와 구분. [박종훈의 지식한방, 13:40](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=820s)* 자사주 매입에는 예정 금액과 집행 기간이 있다. 매입이 진행되는 동안에는 반복해서 들어오는 주문이 매도 물량을 흡수한다. 시장이 종료를 예상하면 마지막 매입일 전에 먼저 팔려는 움직임도 나타날 수 있다. 종료 예정 자체가 거래일의 수급을 바꾸는 셈이다. 영상은 [15:11 대목](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=911s)에서 10월 6일 기준 금액으로 삼성전자 매입 진행률 97%, SK하이닉스 83%를 제시하고, 후자는 시장의 다른 추정치도 언급한다. 영상은 예탁금과 신용융자의 감소도 개인의 매수 여력이 약해졌다는 근거로 든다. 두 잔액의 비교일이 확인되지 않아 감소 규모를 판단할 근거로 삼기는 어렵다. 예탁금은 주식 매수에 쓸 수 있는 계좌 내 현금이고, 신용융자는 빌려서 투자한 돈의 잔액이다. 예탁금은 새 입금과 인출, 주식 매매에 따라 달라지고 신용융자는 신규 차입과 상환에 따라 달라진다. 회사의 주문을 이을 개인 매수세를 보려면 잔액과 함께 실제 순매수와 자금 유입을 살펴야 한다. 이 대목에서는 공시상 기간과 실제 소진 속도를 구분해야 한다. 삼성전자가 8월 21일 공시한 약 15조 원 매입은 **임직원 주식보상 목적**이고, 예정 기간은 **8월 24일부터 11월 21일까지**다. 영상의 10월 중순 종료 예상은 실제 집행 속도에 관한 전망으로 읽어야 한다. 종료 시점을 판단할 때에는 공시 기간 안에서 매입 금액이 얼마나 남았는지 확인해야 한다. 임직원 보상용 취득과 주식 소각도 목적과 유통주식 수에 미치는 효과가 다르다. [삼성전자 자사주 취득 결정 공시](https://www.samsung.com/global/ir/reports-disclosures/public-disclosure-view.84756/) 삼성전자는 별도로 2026년 주주환원을 90조–110조 원으로 예상하고, 잔여 환원의 방법과 규모를 2027년 1월 이사회에서 정하겠다고 발표했다. 여기에는 배당과 자사주 매입·소각이 포함될 수 있다. 장래의 주주환원이 실제 매수세에 기여하는 크기는 배당과 매입의 구성, 집행 시기에 달려 있다. 배당을 받은 사람이 그 돈으로 같은 주식을 다시 살지도 별개의 선택이다. [삼성전자 주주환원 발표, 2026년 8월 21일](https://news.samsung.com/global/samsung-electronics-to-implement-largest-ever-shareholder-return-in-2026-estimated-at-krw-90-to-110-trillion) 결국 중요한 것은 매입 종료 날짜 맞히기가 아니다. **회사의 주문이 줄어든 뒤에도 현재 가격에서 주식을 받아 줄 투자자가 생기는가.** 외국인의 매도 강도가 줄고, 다른 기관과 개인의 매수가 이어질 때 수급의 회복력이 커진다. ## AI 투자의 병목이 전력망과 지역 정치로 옮겨갔다 반도체 기업의 고객은 데이터센터를 짓고, 전기를 공급받고, 서버를 가동한 뒤 서비스를 팔아야 한다. 칩 주문이 많아도 전력망 연결과 인허가가 늦어지면 투자 일정이 밀릴 수 있다. 영상이 미국 중간선거와 지역 주민의 전기료·용수 부담을 한국 반도체 전망에 연결하는 이유다. ![텍사스와 뉴욕의 데이터센터 인허가 제한을 비교한 영상 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/e672661c-e99d-40bd-81fc-9b53935658f8.webp) *데이터센터 수요가 실제 가동으로 이어지는 과정에서 전력·인허가가 병목이 되는 문제. [박종훈의 지식한방, 18:15](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1095s)* 텍사스에서는 실제 행정조치가 있었다. 그레그 애벗 주지사는 8월 3일 전력망 연결 절차에 들어온 데이터센터들에 대한 검증·감사를 지시했고, 9월 21일에는 ERCOT 감사가 끝날 때까지 환경당국 TCEQ의 데이터센터 인허가를 중단하도록 했다. 전력망 비용과 물 사용, 주민에게 돌아가는 부담이 쟁점이다. 이는 단순한 선거 발언보다 투자 일정에 직접적인 영향을 줄 수 있는 조치다. [8월 감사 지시](https://gov.texas.gov/news/post/governor-abbott-directs-comprehensive-data-center-audit) · [9월 인허가 중단 지시](https://gov.texas.gov/news/post/governor-abbott-directs-tceq-to-halt-data-center-permits) 뉴욕도 7월 14일 행정명령 62호로 대형 데이터센터의 일부 환경 인허가 심사를 보류했다. 적용 대상은 원칙적으로 50MW 이상 시설이며, 명령 전까지 신청의 완비 여부가 확인되지 않은 DEC 관할 허가 등이 대상이다. 최종 환경영향 검토가 제출될 때까지의 조치라는 점에서, 모든 기존 시설을 닫거나 모든 지방정부 허가를 중단하는 명령과는 범위가 다르다. [뉴욕주 행정명령 62호](https://www.governor.ny.gov/executive-order/no-62-establishing-temporary-moratorium-data-centers-new-york-while-state-develops) 영상은 텍사스뿐 아니라 조지아·펜실베이니아·애리조나·오하이오 등 주지사 후보의 공약도 비교한다. 어느 당이 AI 산업에 우호적인가보다 자기 지역의 비용 부담에 어떤 입장을 취하는지가 중요해졌다는 설명이다. 후보 공약과 이미 시행된 텍사스 조치는 구분해서 읽어야 한다. 선거가 끝나는 날에 인허가와 전력 공급 문제가 함께 해결되는 것도 아니다. ![미국 주요 주의 양당 후보가 데이터센터 규제와 유예를 주장하는 양상을 비교한 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/ab2a8e42-46a3-4ca0-b141-85b9b4328c02.webp) *영상이 분류한 주요 주지사 후보 공약. 규제 강화와 모라토리엄은 구분되며, 공약이 곧 시행 중인 법령은 아니다. [박종훈의 지식한방, 20:35](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1235s)* 투자자에게 중요한 경로는 **승인 지연→가동 시점 지연→장비 주문·납품·매출 인식 시점 변경**이다. 일부 사업은 기존 승인 부지나 다른 지역으로 이동할 수 있고, 사업자의 투자 계획에 따라 영향도 달라진다. 따라서 개별 지역의 제한을 AI 수요 전체의 취소로 환산하기보다, 고객의 실제 투자 일정과 주문 변화에 연결해야 한다. ## 국채금리보다 회사채 가산금리가 더 많은 것을 말할 때 영상 후반은 금리와 주가의 조합을 네 가지로 나눈다. 경기가 좋아 기업이 돈을 빌려 투자하는 시기에는 금리와 주가가 함께 오를 수 있다. 금리가 감당하기 어려울 만큼 높아지면 주가가 먼저 꺾인다. 이후 금리가 내려갈 때는 두 길이 갈린다. 부담이 풀려 이익 기대가 회복되는 길과, 경기 악화 때문에 안전한 국채로 돈이 몰리는 길이다. ![금리와 주가의 방향에 따라 네 가지 국면을 나눈 영상 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/422292fd-79da-42c7-bc42-6d642f8ebef8.webp) *호황, 금리 충격, 유동성 반등, 경기 둔화라는 해석 틀. 매번 같은 순서로 반복되는 시간표는 아니다. [박종훈의 지식한방, 22:30](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1350s)* 두 길을 구별할 때 쓰는 지표가 신용 스프레드다. 같은 만기의 회사채 금리에서 국채금리를 뺀 차이를 말한다. 기업에 돈을 빌려 주기 위해 투자자가 요구하는 추가 보상이며, 부도 위험뿐 아니라 유동성과 채권 수급도 반영한다. $$ \text{회사채 금리} = \text{같은 만기의 국채금리} + \text{신용 스프레드} $$ 예를 들어 국채금리가 4.00%에서 3.80%로 0.20%포인트 내려도 스프레드가 0.40%포인트에서 0.70%포인트로 0.30%포인트 벌어지면, 회사채 금리는 4.40%에서 4.50%로 오르게 된다. 이는 작동 원리를 보여 주기 위한 가정이다. 국채금리만 보고 기업의 조달비용이 낮아졌다고 판단하면 놓치는 부분이다. ![국채금리 하락과 회사채 가산금리 확대를 설명한 장면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/831792c4-30ac-4d23-93e1-8f2fca3e38f9.webp) *영상의 AA-등급 회사채 3년물−국고채 3년물 비교. 평균 0.43%포인트와 최근 0.68%포인트는 영상이 제시한 값이며, 등급·만기를 맞춰 비교한다. [박종훈의 지식한방, 25:40](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1540s)* 영상은 AA-등급 회사채 3년물과 국고채 3년물의 금리 차이를 놓고, 평소 평균 0.43%포인트와 최근 0.68%포인트를 비교한다. 이어 2007년 미국 국채금리 고점 뒤에 주가가 뒤늦게 고점을 형성했던 사례도 든다. 역사적 사례가 보여 주는 것은 주가와 금리의 전환 시점이 다를 수 있다는 점이다. 당시의 날짜 간격을 지금 시장에 그대로 대입해 바닥 시점을 계산할 근거는 아니다. ![2007년 미국 금리 고점과 주가 고점의 시차를 설명하는 장면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/75de31bd-2b5c-4973-822e-a9c8a53e9cb9.webp) *영상의 2007–2009년 비교 사례. 금리 하락 중에도 주가가 더 떨어질 수 있음을 보여 주며, 현재 시장의 바닥 날짜를 예측하는 달력으로 쓰지는 않는다. [박종훈의 지식한방, 24:10](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1450s)* 현재의 부담 완화를 판단하려면 국채금리 하락과 함께 회사채 스프레드가 안정되고, 실제 대출·차환 조건까지 나아져야 한다. 수출기업의 큰 이익과 별개로 신용시장의 긴장이 계속된다면, 자금 여력이 작은 기업과 내수에는 압박이 남는다. ## 반등을 확인할 조건은 이미 관측할 수 있다 영상은 마지막에 외국인 수급, 주주환원, 반도체 실적, AI의 실제 수익화를 연결한다. AI 사용량을 늘리도록 장려하던 기업들이 토큰 비용을 관리하기 시작했다는 사례도 언급한다. 비용 관리 사례가 말해 주는 것은 고객이 지출의 생산성을 따지기 시작했다는 점이다. 이것만으로 전체 유료 사용량이 감소했다고 집계할 수는 없다. 서비스의 유료 매출과 유지율, 추론 원가, 고객이 얻는 효과가 함께 확인돼야 다음 투자에 대한 판단이 가능해진다. ![수급·반도체 실적·금리에서 하락 지속과 반등 조건을 대조한 영상 화면](https://www.readiz.com/assets/authored/6490d02d-d1c4-4748-9bf2-12172bae809e/2658328e-bdda-4426-b866-08eccba80eae.webp) *회사의 자사주 매입을 이을 수급, 반도체의 다음 실적, 스프레드 안정이 함께 연결된다. [박종훈의 지식한방, 27:25](https://www.youtube.com/watch?v=hTRG4ehA6NU\&t=1645s)* 오히려 이미 발표된 반도체 매출은 강하다. TSMC의 9월 연결 매출은 5,118.57억 대만달러로 전년 동월 대비 54.6% 늘었다. 전월 대비로는 0.6% 감소했다. 최근 매출이 높은 수준을 유지한다는 사실을 받아들이면, 지금의 핵심 위험은 당장 수요가 사라졌다는 것보다 **앞으로도 높은 투자와 이익이 이어질 것이라는 기대가 낮아지는가**에 있다. 10월 15일 예정된 3분기 설명회에서는 이미 알려진 매출에 더해 수익성과 향후 전망이 중요해진다. [TSMC 9월 매출 공시](https://www.sec.gov/Archives/edgar/data/1046179/000104617926000680/tsm-revenue20261008.htm) · [3분기 실적 발표 일정](https://investor.tsmc.com/english/quarterly-results/2026/q3) 영상의 마지막 결론은 반등을 달력상의 날짜보다 조건의 변화로 판단하자는 것이다. 앞에서 살핀 자료를 바탕으로 관측할 변화를 정리하면 다음과 같다. | 확인할 변화 | 반등에 힘을 싣는 모습 | 판단의 이유 | | ---------- | ---------------------------------- | --------------------------- | | 기업의 자금 조달 | 국채금리 하락과 스프레드 안정이 함께 나타남 | 안전자산 선호를 넘어 기업의 실제 부담이 줄어듦 | | 자사주 이후 수급 | 회사의 매입이 줄어도 외국인·다른 투자자의 매수가 이어짐 | 특정 매수 주체에 대한 의존이 낮아짐 | | 반도체의 다음 실적 | 높은 매출에 수익성과 다음 투자·수요 전망이 동반됨 | 과거 실적이 미래 이익의 근거로 연결됨 | | AI 투자 집행 | 전력·인허가 병목 완화와 실제 가동 일정 구체화 | 발표된 투자금이 실현 가능한 주문으로 가까워짐 | | 가격과 심리 | 이익·자산 대비 가격 부담이 낮아지고 강제 매도 압력이 잦아듦 | 싼 가격을 지탱할 현금흐름과 새 매수 여력이 생김 | PBR이 낮거나 낙폭이 컸다는 사실은 가격의 출발점이다. 이후 이익이 줄고 자산 가치가 훼손되면 싸 보이던 가격의 의미도 바뀐다. 반대로 자금 조달이 안정되고 실적이 유지되는 가운데 매도 압력이 줄면, 같은 가격 하락이 더 큰 기회가 된다. 정책 역시 발표의 크기보다 실제 금리와 신용 공급, 기업의 비용에 무엇을 바꾸는지가 중요하다. 이번 하락에서 경계할 것은 **실적이 좋으니 빠르게 돌아올 것이라는 기대와 금리가 조금 내렸으니 부담도 끝났다는 기대가 겹치는 것**이다. 수출과 반도체 매출은 여전히 강하다. 그 힘이 주가의 지속적인 반등으로 이어지려면 고금리의 누적 부담이 풀리고, 자사주 주문 뒤를 이을 매수세가 붙어야 한다. 반등 판단의 중심은 이익의 지속성과 자금의 회복에 두는 것이 맞다. --- --- id: "authored/f7832ab8-c970-4ce8-869d-fa59fcf84a1d" title: "한국 경제·기업 자료 지도: 금리·경기·공시·반도체" description: "주제별 원문으로 이동하는 안내. 대출금리·가계신용, 산업활동동향, 자사주 공시, AI 설비투자, 데이터센터 인허가, 반도체 수요와 수급을 찾는다." kind: "llm-wiki" published: "2026-10-12T12:45:44.136Z" updated: "2026-10-17T13:12:23.909Z" tags: ["경제자료","자료 안내","한국 경제","기업 공시"] url: "https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/korea-market-rates-buybacks-ai-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/자료 안내" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%90%EB%A3%8C+%EC%95%88%EB%82%B4" --- # 한국 경제·기업 자료 지도: 금리·경기·공시·반도체 한국 경제와 기업을 조사할 때 필요한 자료로 이동하는 안내 문서다. 같은 통계나 원문에 대한 설명은 아래 주제 문서에서 갱신한다. 종목·영상·작성 날짜보다 조사할 질문과 자료 이름으로 찾는다. ## 질문별 자료 | 찾는 질문 | 주제 문서 | 자료·검색어 | | -------------------- | --------------------------------------------------------------------------------------- | -------------------------------------- | | 차주의 금리 부담은 언제 바뀌나 | [대출금리·가계신용](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/) | 금융기관 가중평균금리, 신규취급액, 잔액, 금리 재산정 | | 월별 경기가 좋아졌나 | [산업활동동향](https://www.readiz.com/llm-wiki/industrial-activity-indicators/) | 전산업생산, 소매판매, 설비투자, 계절조정 | | 자사주가 실제로 매입·소각됐나 | [자사주·주주환원 공시](https://www.readiz.com/llm-wiki/shareholder-return-disclosures/) | 취득 결정, 소각, 주식보상, Solidigm, ADR | | AI 투자 증가가 현금 부담을 늘리나 | [AI 투자 재무](https://www.readiz.com/llm-wiki/ai-capex-cashflow-contracts/) | CAPEX, 영업현금흐름, 리스, 연환산 매출, take-or-pay | | 데이터센터는 실제 가동할 수 있나 | [인허가·전력망](https://www.readiz.com/llm-wiki/data-center-permits-power-grid/) | ERCOT, TCEQ, 뉴욕주 행정명령 62호 | | 반도체 호황은 가격인가 물량인가 | [반도체 수요·공급 지표](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/) | 무역지수, PC 출하, 스마트폰, TSMC, HBM | | 거래가 줄었다는 말은 무엇인가 | [수급·환율 지표](https://www.readiz.com/llm-wiki/market-turnover-net-flows-fx/) | 거래대금, 순매수, 예탁금, 넥스트레이드 | ## 자료를 서로 연결할 때 금리·경기·기업 공시는 서로 다른 대상을 측정한다. 관측 시점과 분모를 맞춘 뒤 연결하고, 취득 계획을 집행 결과로, 거래대금을 순유출로, 리스 포함 투자액을 현금 지출로 바꾸지 않는다. 각 문서는 원문 위치·표와 그림·정의·확인 시점·다운로드 정보를 보존한다. ## 함께 찾을 자료 [한국은행 경제자료의 입구](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [미국 국채금리와 정책 기대](https://www.readiz.com/llm-wiki/us-market-treasury-fedwatch-extended-hours-source-guide/) · [금리와 주택가격 연구](https://www.readiz.com/llm-wiki/housing-rates-mortgage-reset-source-guide/) · [반도체 호황의 국내 소득·고용·세수 파급](https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/adea320f-9f0b-4026-9613-b9f121126002" title: "프랑스 재정 자료 읽기: INSEE 부채와 AFT 조달 계획" description: "일반정부 부채, 국가 조달 필요, 신규 발행, 이자 비용을 구분하고 실제 통계와 예산 전망을 같은 기준으로 비교한다." kind: "llm-wiki" published: "2026-10-12T05:07:55.429Z" updated: "2026-10-20T22:11:57.110Z" tags: ["경제","프랑스","국가부채","금리"] url: "https://www.readiz.com/llm-wiki/france-fiscal-debt-insee-aft-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/france-fiscal-debt-insee-aft-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/재정·연금" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%AC%EC%A0%95%C2%B7%EC%97%B0%EA%B8%88" --- # 프랑스 재정 자료 읽기: INSEE 부채와 AFT 조달 계획 프랑스 재정을 분석할 때는 **부채 잔액, 재정적자, 자금 조달 필요, 이자 비용을 나누어 확인**해야 한다. 각각 답하는 질문과 정부 범위가 다르다. ## 부채의 규모와 방향: INSEE [INSEE Informations rapides 제239호](https://www.insee.fr/en/statistiques/9057140), 2026년 9월 29일 발표는 2026년 2분기 말 마스트리히트 기준 일반정부 부채를 다룬다. 총부채는 3,595.5십억 유로, GDP 대비 119.0%이며 순부채는 GDP 대비 111.4%다. ![프랑스 일반정부 총부채 비율의 분기별 실적](https://www.readiz.com/assets/authored/adea320f-9f0b-4026-9613-b9f121126002/07fe4b49-5c68-4864-abaa-dbc84dca790b.webp) *일반정부 총부채/GDP, %. INSEE 2026년 9월 29일 발표의 수정 계열로 재구성. [원문 및 시계열](https://www.insee.fr/en/statistiques/9057140). 전망을 붙이지 않은 분기별 실적이다.* | 분기 말 | 총부채/GDP | | ------- | ------: | | 2024 Q4 | 112.6% | | 2025 Q1 | 113.4% | | 2025 Q2 | 115.2% | | 2025 Q3 | 117.0% | | 2025 Q4 | 115.7% | | 2026 Q1 | 117.5% | | 2026 Q2 | 119.0% | 같은 발표의 계열을 사용하면 과거 값의 수정 여부를 맞출 수 있다. 일반정부 내부 보유 채무를 제거한 연결 기준이므로 국가·지방정부·사회보장기금의 범위를 확인한다. 총부채와 순부채도 섞지 않는다. 분기 부채 증감만으로 같은 기간 재정적자를 역산할 수 없다. 마스트리히트 부채 범위 밖의 금융자산·부채 등이 영향을 주며, INSEE의 분기 적자는 계절·영업일 조정을 하지만 분기 부채는 그렇지 않다. ## 빌릴 수 있는가, 얼마가 드는가: AFT [AFT의 State budget](https://www.aft.gouv.fr/en/state-budget)은 국가의 조달 계획과 비용을 확인하는 입구다. 아래는 2026년 10월 12일 확인한 2026년 수정 계획 및 2027년 예산안 설명이다. | 지표 | 기준과 값 | 읽는 용도 | | ---------- | ---------------------------- | ---------------------- | | 연간 조달 진행 | 2026년 9월 말 85% | 발행 계획 진행 상황 | | 중장기 국채 응찰 | 2026년 연초 이후 공급의 2.5배 | 발행 시 수요 | | 국가채무 이자 비용 | 2026년 당초 59.3 → 수정 62.6십억 유로 | 예산상 비용 추정의 변화 | | 국가 조달 필요 | 2027년 339.7십억 유로 | 상환·적자 등을 충당할 자금 | | 중장기 발행 | 2027년 340.0십억 유로, 매입 상환 차감 후 | 만기가 돌아오는 채무를 포함한 조달 수단 | | 국가채무 이자 비용 | 2027년 72.9십억 유로 예상 | 향후 예산 부담 | | 재정적자 목표 | 2027년 GDP 대비 5.0% | 예산안의 목표, 달성 실적 아님 | 조달 필요와 신규 발행액은 같은 항목이 아니다. 기존 채무 상환, 단기채 잔액, 기타 현금 재원도 함께 봐야 한다. AFT의 국가채무 지표를 INSEE 일반정부 전체의 수치와 바로 합산하지 않는다. 응찰 수요가 있다는 것은 발행 시장이 작동한다는 근거다. 부채의 장기 지속 가능성까지 보장하지는 않는다. 반대로 시장금리 상승을 당장 차입이 막혔다는 뜻으로 읽어서도 안 된다. 기존 고정금리 채무의 만기와 새 발행이 비용의 전달 속도를 좌우한다. ## 마이너스 발행수익률에서 차환 비용으로 [AFT의 2021년 결산 안내](https://www.aft.gouv.fr/en/publications/communiques-presse/12-august-2022-agence-france-tresor-publishes-its-2021-annual), 2022년 8월 12일 발표에 따르면 2021년 중장기 국채 발행액은 2,851억 유로, 가중평균 발행수익률은 -0.05%였다. 같은 자료의 2,600억 유로 조달 프로그램과는 정의가 다르다. 마이너스 수익률은 매입가격 대비 만기까지 현금흐름의 수익률이며, 모든 국채 보유자에게 별도 수수료를 청구했다는 뜻은 아니다. 2026년 10월 18일 확인한 [AFT 예산 안내](https://www.aft.gouv.fr/en/state-budget)는 연초 이후 중장기 신규 발행의 가중평균수익률을 3.55%로 제시한다. 시장금리와 신규 발행수익률, 전체 채무의 유효 이자율을 구분한다. 기존 고정금리 국채의 현금 이자가 시장수익률과 동시에 바뀌지는 않는다. 만기와 신규 적자를 충당하는 발행이 늘면서 높은 조달 비용이 전달된다. ECB 예금금리 -0.50% 결정은 [2019년 9월 12일 발표](https://www.ecb.europa.eu/press/pr/date/2019/html/ecb.mp190912~08de50b4d2.en.html)다. 같은 발표의 주요 재융자 금리는 0%, 한계대출 금리는 0.25%다. 이를 2012년 유로 방어 발언과 같은 시점으로 쓰거나 모든 대출의 금리가 -0.5%였다고 해석하지 않는다. ## 지출 구성과 조정 방식: OECD OECD의 [「France’s public finances: Reducing debt without compromising growth」](https://oecdecoscope.blog/2026/09/30/frances-public-finances-reducing-debt-without-compromising-growth/), 2026년 9월 30일, Lilas Demmou의 분석은 지출의 효율과 성장 기반을 함께 본다. 공공지출은 GDP의 약 57%로 유로존 평균보다 7.4%포인트 높고, 조세부담은 약 44%다. 7.4%포인트는 공공지출 비교에 해당한다. 세금 외 수입이 있으므로 57에서 44를 뺀 값을 재정적자로 사용하지 않는다. OECD는 지출 통제와 연금 지속 가능성 회복을 제안하면서도, 급격하고 부적절한 조정이 성장·고용·세입을 약하게 만들 수 있다고 지적한다. 교육·혁신 등의 투자를 보호하는 다년 계획이라는 맥락까지 함께 인용한다. ## 새 글에서의 사용 순서 현재 규모는 INSEE 최신 발표, 조달과 비용은 AFT 최신 계획, 제도 변화는 담당 정부의 적용 안내로 갱신한다. 과거 발표 값과 수정 값은 발표 시점을 붙여 보존한다. 신용등급은 [AFT 평가사별 일정](https://www.aft.gouv.fr/en/frances-credit-ratings)에서 등급·전망·평가일을 나누어 확인한다. 칼럼의 위험 판단과 실제 신용평가사의 결정은 각각의 출처에 귀속한다. 관련 제도와 비교 근거: [프랑스 연금 적용 기준](https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/) · [ECB TPI 지원 조건](https://www.readiz.com/llm-wiki/ecb-tpi-eligibility-fiscal-sustainability/) · [IMF EU 무역비용 추정](https://www.readiz.com/llm-wiki/imf-eu-trade-cost-tariff-equivalents-2024/) 자료 확인: 2026년 10월 12일. 조회일·통계 기준 분기·예산 대상 연도는 서로 다르다. [자료를 활용한 공개 글: 프랑스 재정위기](https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/) ## 예산을 지지하는 다수: 불신임과 신임투표 프랑스 재정 조정의 정치적 실행 가능성을 분석할 때는 정부의 예산안, 의회 표결, 실제 법률을 구분한다. - 2024년 12월 4일 바르니에 내각은 사회보장 예산에 헌법 49조 3항을 사용한 뒤 불신임안이 331표로 가결됐다. 좌파가 제출한 안에 국민연합이 동참했다. 이는 1962년 이후 처음으로 성공한 정부 불신임이다. [의회 방송 LCP의 현장 보도](https://lcp.fr/actualites/le-gouvernement-de-michel-barnier-censure-au-terme-d-une-journee-historique-a-l). - 2025년 9월 8일 바이루 내각은 헌법 49조 1항에 따른 정책 선언의 신임투표에서 찬성 194표, 반대 364표를 받았다. [국민의회 공식 결과](https://www.assemblee-nationale.fr/dyn/actualites-accueil-hub/vote-de-confiance-l-assemblee-nationale-a-desapprouve-la-declaration-de-politique-generale-du-gouvernement). 두 사건의 절차를 같은 불신임안으로 합치지 않는다. 정부를 퇴진시키는 다수가 있다는 사실만으로 대체 예산에 합의한 다수까지 있다고 추론할 수 없다. 2026년 1월 정부의 [예산 타협 설명](https://www.info.gouv.fr/actualite/budget-2026-sebastien-lecornu-defend-un-budget-de-compromis)도 사회보장 예산과 국가 예산의 논의 경과를 구분한다. 정치적 갈등을 설명할 때 모든 예산이 전혀 결정되지 않았다고 일반화하지 않는다. ## 중앙은행 보유 국채 취소 주장 프랑스 중앙은행 총재의 [2026년 9월 11일 RTL 인터뷰](https://www.banque-france.fr/fr/interventions-gouverneur/rtl-lannulation-de-la-dette-est-illegale-dangereuse-et-inutile)는 국채 취소 주장에 대한 중앙은행 측 반론을 제공한다. 인터뷰에서 6월 말 보유 규모는 약 4,880억 유로로 제시됐다. 총재는 정부 채무의 감소가 중앙은행 자산 손실과 맞물리고, 연간 재정적자 자체를 없애지 못한다고 설명한다. 이는 발언자의 제도적 입장과 논거다. 정치인의 제안, 법적 적용 여부, 회계 효과와 시장 반응을 구분해 인용한다. 보유액의 원화 환산치를 쓸 때는 기준 환율과 시점을 함께 남긴다. ## 성장 기반과 재정: 자동차 산업의 범위 유럽연합 집행위원회의 [자동차 산업 행동계획 안내](https://commission.europa.eu/topics/business-and-industry/boosting-european-car-sector_en)는 직간접 고용 약 1,300만 명과 EU GDP 약 7%라는 산업 규모를 제시한다. 해당 안내의 마지막 검토일은 2025년 5월 23일이다. 프랑스 한 나라의 고용이나 자동차 공장 직접 고용만을 뜻하지 않는다. 정책은 디지털화, 배터리 공급망, 재교육 등을 함께 다룬다. 산업 경쟁력이 고용과 소득, 세입으로 이어지는 연결을 설명할 때 활용할 수 있다. 중국 플랫폼을 사용하는 일부 브랜드 사례만으로 유럽 전체의 부가가치와 일자리가 같은 비율로 사라졌다고 계산할 수는 없다. 교육에 대한 투자를 재정의 사용처로 분석할 때는 [프랑스 교육 격차와 Parcoursup 자료](https://www.readiz.com/llm-wiki/france-education-pisa-parcoursup-source-guide/)를 함께 본다. 이번 보완 확인: 2026년 10월 21일. 기존 INSEE와 AFT 수치는 원기관에서 다시 대조했으며, 새로 추가한 근거는 의회 표결과 중앙은행 인터뷰, EU 산업 정책 자료다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/3c63fcc5-7de4-480e-ad2f-c906c0588e96" title: "IMF EU 무역비용 44%·110% 읽기: 관세 환산치와 추정 범위" description: "2020년 무역자료로 추정한 EU 역내 비용의 정의와 상한 해석, 생산성 시나리오의 가정을 정리한다." kind: "llm-wiki" published: "2026-10-12T05:07:12.899Z" tags: ["경제","생산성","유럽"] url: "https://www.readiz.com/llm-wiki/imf-eu-trade-cost-tariff-equivalents-2024/" markdownUrl: "https://www.readiz.com/llm-wiki/imf-eu-trade-cost-tariff-equivalents-2024/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/국제경제" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B5%AD%EC%A0%9C%EA%B2%BD%EC%A0%9C" --- # IMF EU 무역비용 44%·110% 읽기: 관세 환산치와 추정 범위 EU 역내 무역비용 44%·110%는 **모형이 추정한 관세 환산치**다. ## 원자료와 읽을 위치 IMF, *Europe’s Declining Productivity Growth: Diagnoses and Remedies*, Regional Economic Outlook: Europe Note, 2024년 11월 13일. [공식 보고서 안내](https://www.imf.org/en/Publications/REO/EU/Issues/2024/10/24/regional-economic-outlook-europe-october-2024) · [원기관 PDF 다운로드](https://www.imf.org/-/media/files/publications/reo/eur/2024/october/english/reoeurnote1.pdf). Box 1.2는 Lorenzo Rotunno가 작성했다. 인쇄 쪽수 18–19쪽, Figure 1.2.3은 19쪽이다. 표지를 포함한 PDF에서는 20번째 페이지다. ![2020년 EU 역내 무역비용의 관세 환산치: 재화 44%, 서비스 110%](https://www.readiz.com/assets/authored/3c63fcc5-7de4-480e-ad2f-c906c0588e96/50badbfc-7e1d-4368-b1c2-75fde8c82c6a.webp) *2020년 EU 역내 무역비용의 관세 환산 추정치, %. IMF Box 1.2의 재화(농업 제외) 평균 약 44%, 서비스 평균 약 110%로 재구성. [원문 19쪽](https://www.imf.org/-/media/files/publications/reo/eur/2024/october/english/reoeurnote1.pdf#page=20). 실제 관세율이나 최신 관측치가 아니다.* ## 수치가 뜻하는 것 OECD TiVA의 국내·국제 거래와 중력모형으로 국가 간 거래비용을 추정했다. 평균값의 산업별 차이는 원문에서 확인한다. 거리·국경·언어 등의 요인을 통제해도 소비자의 자국 선호 같은 비정책 요인이 남을 수 있다. 연구가 상한으로 읽으라고 한 이유다. 44%·110% 전체를 규제가 만든 비용으로 단정하거나, 규제 철폐의 확정된 편익으로 바꾸지 않는다. ## 생산성 효과는 조건부 계산 보고서의 생산성 6.7% 개선은 관측된 성과가 아니라 장벽을 낮춘다는 가정의 계산이다. 재화는 농업을 포함한 53%에서 미국 내 추정치 13%로, 서비스는 추가 비례 가정으로 조정한다. 농업을 제외한 44%와 계산의 출발점 53%를 섞지 않는다. 자료 연도·산업 범위·가중 방식·가정을 함께 기록한다. [서비스업 생산성 자료](https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/)에 유럽 시장 통합의 비교 근거를 더할 때 쓸 수 있다. 자료 확인: 2026년 10월 12일. 데이터 기준은 2020년, 보고서 발표는 2024년이다. [자료를 활용한 공개 글: 프랑스 재정위기](https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/1954f4dc-791d-48b5-a034-a964d9a604c5" title: "ECB TPI 읽기: 과도한 적자 절차와 지원 자격" description: "TPI 도입 문서의 매입 목적·자격 조건·발동 재량을 정리하고 과도한 적자 절차를 자동 배제와 혼동하지 않도록 한다." kind: "llm-wiki" published: "2026-10-12T05:06:30.876Z" tags: ["경제","금리","유럽"] url: "https://www.readiz.com/llm-wiki/ecb-tpi-eligibility-fiscal-sustainability/" markdownUrl: "https://www.readiz.com/llm-wiki/ecb-tpi-eligibility-fiscal-sustainability/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # ECB TPI 읽기: 과도한 적자 절차와 지원 자격 **TPI는 무질서한 시장 불안에 대응해 유로존의 통화정책 전달을 보호하는 장치다.** ## 무엇을 근거로 판단하나 기준 자료는 ECB의 [「The Transmission Protection Instrument」](https://www.ecb.europa.eu/press/pr/date/2022/html/ecb.pr220721~973e6e7273.en.html), 2022년 7월 21일 도입 발표다. 특정 국가의 현재 지원 승인 여부는 이 문서만으로 판단할 수 없다. 국가의 기초 여건으로 정당화되지 않는 조달 여건 악화가 통화정책 전달을 위협하면, ECB는 유통시장에서 증권을 매입할 수 있다. 공공부문 증권은 잔존 만기 1–10년이 중심이며 매입 규모에 사전 한도를 두지 않는다. 실제 발동은 자격·시장 지표·비례성에 대한 정책위원회의 종합 판단에 달려 있다. | 평가 범주 | 도입 문서의 기준 | | ---------- | -------------------------------------------------- | | EU 재정 규칙 | 과도한 적자 절차 대상이 아니거나, 권고에 따른 유효한 조치에 실패했다고 평가되지 않을 것 | | 심각한 거시 불균형 | 관련 절차 대상이 아니거나, 권고된 시정 조치에 실패했다고 평가되지 않을 것 | | 재정 지속 가능성 | EU 집행위·ESM·IMF와 ECB 자체 분석 등을 활용해 공공부채 경로를 평가 | | 건전한 거시정책 | 회복·복원력 계획의 약속 및 재정 관련 국가별 권고 이행 | 따라서 과도한 적자 절차에 들어갔다는 사실만으로 자동 배제라고 단정할 수 없다. 반대로 조건을 일부 충족했다는 사실도 자동 매입을 보장하지 않는다. 시장 긴장이 국가의 기초 여건 때문이라고 평가되면 매입은 종료될 수 있다. ## 시장 안정과 재정 조정을 구분하기 지원 가능성은 시장 불안의 원인과 정부의 정책 이행을 함께 살펴 판단한다. 장기 재정 조정은 정부의 과제로 남는다. 역사적 배경인 [드라기의 2012년 7월 26일 연설](https://www.ecb.europa.eu/press/key/date/2012/html/sp120726.en.html)에도 ECB 권한 안에서 유로를 지키겠다는 전제가 있었다. 그 발언을 2022년 TPI의 구체적 요건이나 특정 국가의 지원 결정으로 대신 쓰지 않는다. 자료 확인: 2026년 10월 12일. 발동·개정은 후속 공식 결정으로 확인한다. [자료를 활용한 공개 글: 프랑스 재정위기](https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/de44b5f7-2549-414d-bbae-b61060fe8f6c" title: "프랑스 연금 자료 읽기: 개시 연령과 감액 없는 연금의 차이" description: "2026년 적용 연금 개혁 유예 표와 가입기간 요건을 구분해 국가 간 은퇴 연령 비교의 오류를 피한다." kind: "llm-wiki" published: "2026-10-12T05:05:48.710Z" tags: ["경제","프랑스","연금"] url: "https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/france-pension-age-full-rate-source-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/재정·연금" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%AC%EC%A0%95%C2%B7%EC%97%B0%EA%B8%88" --- # 프랑스 연금 자료 읽기: 개시 연령과 감액 없는 연금의 차이 프랑스 연금을 비교할 때는 **수급 개시 연령, 감액 없는 연금의 조건, 실제 퇴직 시점**을 구분해야 한다. 하나의 나이로 합치면 제도와 재정 부담을 잘못 비교하게 된다. ## 2026년 9월부터 적용되는 연령 프랑스 정부 Service Public의 [「Suspension de la réforme des retraites : qui est concerné ?」](https://www.service-public.gouv.fr/particuliers/actualites/A18825)는 2026년 2월 27일 발표됐으며, 9월 1일부터의 적용 기준을 설명한다. 2023년 개혁의 연령·가입기간 인상은 2028년까지 유예됐다. | 출생 시기 | 법정 수급 개시 연령 | 필요한 가입기간 | | ----------- | ----------- | -------- | | 1964년 | 62세 9개월 | 170분기 | | 1965년 1–3월 | 62세 9개월 | 170분기 | | 1965년 4–12월 | 63세 | 171분기 | | 1966년 | 63세 3개월 | 172분기 | | 1967년 | 63세 6개월 | 172분기 | | 1968년 | 63세 9개월 | 172분기 | 64세 기준은 1969년생부터 적용된다. 표는 일반 기준이며 장기 경력자 등의 조기 수급 조건은 별도로 확인해야 한다. ‘프랑스는 모두 62세 9개월에 은퇴한다’는 설명은 출생 시기와 적용 범위를 생략한다. ## Taux plein을 읽는 법 [민간 근로자의 기초연금 안내](https://www.service-public.gouv.fr/particuliers/vosdroits/F14044)는 2026년 8월 14일 갱신 기준으로 *taux plein*을 감액인 *décote*가 없는 연금으로 설명한다. 일반적으로 법정 개시 연령 이후 필요한 가입기간을 충족하거나, 67세에 도달하면 감액 없이 계산되는 조건에 해당한다. 67세 이전에 가입기간이 부족하면 감액이 적용될 수 있다. 67세에도 연금액은 가입기간을 반영해 계산되므로 ‘감액 없음’을 누구에게나 같은 연금액을 지급한다는 뜻으로 읽어서는 안 된다. 기초연금과 Agirc-Arrco 보충연금의 조건도 구분한다. ## 비교와 분석에 다시 쓰기 국가별 연령 표를 만들 때는 같은 개념을 비교하고, 적용 출생연도·제도·가입기간을 함께 적는다. 법정 개시 연령을 실제 노동시장 이탈 연령이나 다른 나라의 전액 수급 연령과 바로 대응시키지 않는다. 재정 효과를 분석하려면 나이뿐 아니라 가입자와 수급자 수, 보험료, 지급액, 고령층 고용도 필요하다. 연령 변경 하나만으로 교육 예산 감소나 청년 일자리 감소의 크기를 계산할 수는 없다. 노동시장 효과는 [정년 연장과 청년고용 자료](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/)처럼 별도의 실증 근거로 다룬다. 자료 확인: 2026년 10월 12일. 향후 글에서는 법 개정과 출생연도별 최신 적용 표를 다시 확인한다. [자료를 활용한 공개 글: 프랑스 재정위기](https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/) --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/46ce76bf-be90-4149-aa3e-889bc0a6e984" title: "프랑스 재정위기: 개혁을 미룰수록 구제도 어려워진다" description: "프랑스의 부채 증가와 연금 개혁의 정치적 교착이 국채 금리와 ECB 지원 조건으로 이어지는 과정을 정리합니다." kind: "record" published: "2026-10-12T04:57:33.242Z" tags: ["경제","프랑스","국가부채","금리"] url: "https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/" markdownUrl: "https://www.readiz.com/records/france-debt-political-gridlock-too-big-to-save/index.md" recordFolder: "경제·금융/재정·연금" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%AC%EC%A0%95%C2%B7%EC%97%B0%EA%B8%88" --- # 프랑스 재정위기: 개혁을 미룰수록 구제도 어려워진다 프랑스 재정위기의 핵심은 **늘어나는 비용을 누가 부담할지 결정하지 못하는 정치**에 있다. 고령화로 연금 부담은 커지고, 성장은 더디고, 세금과 지출을 건드리는 순간 강한 저항이 나온다. 합의가 미뤄지는 동안에도 적자는 쌓인다. 시장이 더 높은 이자를 요구하면 나중에 조정해야 할 부담은 더 커진다. oyk post의 「세계적인 석학의 경고 프랑스 현재 상황」은 이 문제를 폴 크루그먼의 경고와 연결한다. 너무 커서 망하게 둘 수 없는 나라가, 너무 커서 구하기도 어려운 나라가 될 수 있다는 이야기다. 프랑스는 유로존의 큰 경제인 만큼 위기의 파급력이 크지만, 지원을 받으려면 프랑스 안에서 미뤄 온 부담 배분 문제를 다른 유럽 국가들과도 풀어야 한다. ## 시장이 의심하는 것은 앞으로의 조정 능력 영상이 제시한 2026년 10월 8일 종가 기준 10년물 국채금리는 프랑스 4.89%, 이탈리아 4.63%다. 한때 유로 위기의 중심에 있었던 이탈리아보다 프랑스가 높은 금리를 지불한다는 비교다. 독일과의 금리 차 확대, 부도 위험에 대비하는 CDS 가격 상승도 같은 맥락에서 제시한다. ![영상이 제시한 프랑스와 이탈리아 10년 만기 국채 금리 비교](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/388ea687-0d7b-402c-959c-f86ef8cdc6bc.webp) *영상이 제시한 2026년 10월 8일 프랑스·이탈리아 10년물 금리 비교. 수치 출처는 영상 설명의 Trading Economics. [oyk post, 0:39](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=39s)* 독일과의 금리 차, 즉 스프레드는 같은 유로화로 돈을 빌리면서 프랑스가 얼마나 더 높은 이자를 제시해야 하는지를 보여 준다. 유럽 전체의 금리가 함께 오를 때에도 이 차이를 보면 프랑스 쪽의 부담이 상대적으로 더 커졌는지 살필 수 있다. 영상은 9월 초 0.85%포인트였던 차이가 10월 초 1.5%포인트를 넘어섰다고 설명한다. 시장이 요구하는 추가 보상이 커졌다는 뜻이다. ![프랑스·독일 국채 금리 차 확대를 재구성한 영상 개념도](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/a8893a11-29b7-4112-9faf-832b93575984.webp) *프랑스·독일 10년물 금리 차를 제시한 영상의 재구성 개념도. 9월 1일 0.85%포인트, 10월 2일 1.52%포인트로 표시돼 있다. 곡선 전체가 일별 실측 경로를 뜻하지는 않는다. [oyk post, 2:00](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=120s)* 크루그먼은 [10월 8일 칼럼](https://paulkrugman.substack.com/p/whats-the-matter-with-france)에서 프랑스의 CDS 가격 상승에 주목한다. 국채금리가 정부의 차입 비용을 보여 준다면, CDS는 채무불이행 위험에 대비하는 보험을 사는 데 얼마를 지불하는지 보여 준다. 그는 당시 시장이 프랑스의 위험을 과소평가하고 있다고 판단했다. 그 칼럼은 당시 CDS에 내재된 5년 내 부도 확률 추정치를 약 1.2%로 소개한다. 이는 칼럼이 제시한 시장가격의 해석이며, 아래 도표의 bp 숫자가 곧 확률을 뜻하지는 않는다. 크루그먼의 경고는 시장이 여전히 작게 평가하는 위험이 프랑스의 정치적 선택에 따라 커질 수 있다는 데 있다. ![프랑스 5년물 CDS 가격 상승을 제시한 영상 도표](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/8872f6ca-844e-42e2-908a-275bc4b3fe43.webp) *영상이 S\&P Global·LSEG를 출처로 제시한 CDS 도표. 9월 21일 45bp에서 10월 2일 81bp로 높아졌다는 비교다. 부도에 대비하는 보험 가격이며 부도 확률 자체와는 단위가 다르다. [oyk post, 2:13](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=133s)* 실제로 국채를 발행하는 시장은 작동하고 있다. [프랑스 국채관리청 AFT](https://www.aft.gouv.fr/en/state-budget)에 따르면 9월 말까지 2026년 조달 프로그램의 85%를 진행했고, 연초 이후 중장기 국채 응찰 수요는 공급량의 2.5배였다. 이 수치가 보여주는 현재의 문제는 **돈을 빌릴 수 있는 동안, 감당해야 할 비용이 올라가고 있다는 것**이다. AFT의 2026년 국가채무 이자 비용 추정도 당초 593억 유로에서 626억 유로로 높아졌다. 부채의 방향도 불편하다. INSEE의 9월 29일 발표에서 2026년 2분기 말 일반정부 부채는 \*\*3조 5,955억 유로, GDP 대비 119.0%\*\*다. 같은 발표의 수정 계열로 보면 2024년 말 112.6%에서 높아졌다. 아래는 연말 전망을 이어 붙인 그림이 아니라 분기별 실제 통계다. 적자는 일정 기간 정부가 번 돈보다 더 쓴 돈이고, 부채는 그동안 쌓인 빚이다. 부채를 GDP와 비교하는 이유는 갚아야 할 빚의 크기와 경제의 소득 기반을 함께 보기 위해서다. 적자가 이어져 빚이 늘어나는 동안 경제가 충분히 성장하지 못하면 이 비율이 높아진다. 그래서 지출을 줄이는 정책과 성장할 기반을 지키는 정책을 함께 따져야 한다. ![프랑스 일반정부 부채 비율이 2024년 말 112.6%에서 2026년 2분기 119.0%로 상승한 추이](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/313428e0-8b38-4381-81ca-a12c91f1be7a.webp) *2024 Q4\~2026 Q2 일반정부 총부채/GDP, 단위 %. [INSEE 2026년 9월 29일 발표](https://www.insee.fr/en/statistiques/9057140)의 수정 계열로 그린 그래프* 높은 시장금리가 기존 국채 전체에 한꺼번에 적용되는 것은 아니다. 만기가 돌아온 빚을 갈아타고 적자를 메울 새 돈을 빌릴 때 비용이 들어온다. 이 시차 때문에 개혁을 미룰 여유가 있는 것처럼 보이지만, 적자가 계속되면 시간을 보내는 동안 새 부담도 쌓인다. ## 성장으로 부담을 줄이는 길에도 장벽이 있다 경제가 더 빨리 커지면 세입과 부채 부담을 감당할 기반도 커진다. 영상은 유럽이 그 성장 가능성을 충분히 쓰지 못하는 이유로 조각난 단일시장을 든다. 같은 EU 안에서도 규정과 자격 인정이 달라 기업과 사람이 국경을 넘어 활동할 때 추가 비용을 치른다는 설명이다. 여러 언어의 소재 표시, 안전 인증, 재활용 표시가 달린 미어캣 인형은 그 문제를 보여 주는 영상의 예시다. 기업 입장에서는 큰 시장 하나에 진입했다고 생각했는데, 실제로는 나라별 요구를 계속 맞춰야 하는 셈이다. ![언어·안전·재활용 표시가 붙은 미어캣 인형을 재현한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/19280582-01cf-45bc-8f0e-d09acab3392e.webp) *서로 다른 표시 의무를 설명하기 위해 영상이 만든 AI 재현 예시. 실제 제품 사진이 아니라 규정이 겹치는 상황을 보여 주는 삽화다. [oyk post, 3:48](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=228s)* ![IMF의 EU 역내 상품과 서비스 무역비용 추정을 설명한 영상 도표](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/d477129c-fdea-4603-9b15-b62728ffdd86.webp) *IMF의 역내 무역비용 추정치를 소개한 영상 도표. [oyk post, 4:15](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=255s)* [IMF의 2024년 연구](https://www.imf.org/-/media/files/publications/reo/eur/2024/october/english/reoeurnote1.pdf)는 2020년 자료로 추정한 EU 역내 무역비용을 농업을 제외한 상품 평균 약 44%, 서비스 평균 약 110%의 관세에 해당하는 수준으로 제시한다. 실제 부과하는 관세율이 아니라 거래를 어렵게 만드는 비용의 환산치다. 연구는 정책 외 요인을 완전히 분리하지 못했을 수 있어 이 추정치를 상한으로 해석해야 한다고 설명한다. 그 숫자 전체를 규제 탓으로 돌릴 수는 없어도, 시장의 분절이 기업의 규모 확대와 생산성 향상을 막는다는 문제는 남는다. 프랑스의 재정 조정에는 당장 지출을 관리하는 일과 함께 세입 기반을 키우는 일이 필요하다. 성장할 공간을 넓히는 개혁까지 미루면, 기존 소득 안에서 서로 더 큰 몫을 요구하는 갈등이 심해진다. ## 연금 개혁을 멈추면 비용은 다른 곳으로 간다 영상에서 가장 무게를 두는 대목은 연금이다. 오래 사는 사람이 많아지는데 연금을 받는 기간을 늘리고 보험료를 내는 기간은 짧게 유지하면, 차액을 부담할 사람이 필요하다. 더 오래 일하거나, 급여를 조정하거나, 보험료와 세금을 더 내야 한다. 어느 쪽도 선택하지 않으면 부담은 다른 지출이나 미래의 납세자로 넘어간다. ![2023년 연금 수급 개시 연령 인상에 반대한 시위를 소개한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/930684ca-5410-404b-949d-3296531e08ad.webp) *2023년 연금 개혁 반대 시위를 소개한 장면. 화면의 62세→64세는 당시 개혁의 수급 개시 연령 일정이며, 현재 출생연도별 적용 기준은 아래 표와 같다. [oyk post, 5:02](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=302s)* 프랑스는 2023년 법정 수급 개시 연령을 62세에서 64세로 점진적으로 올리는 개혁을 추진했지만, 인상 일정은 2028년까지 유예됐다. 법정 수급 개시 연령과 감액 없는 연금을 받는 요건은 다르다. [프랑스 정부의 2026년 9월 적용 안내](https://www.service-public.gouv.fr/particuliers/actualites/A18825)를 보면 같은 해에도 출생 시기에 따라 적용 연령과 필요한 가입기간이 달라진다. | 출생 시기 | 법정 수급 개시 연령 | 필요한 가입기간 | | --------------- | ----------- | -------- | | 1964년\~1965년 3월 | 62세 9개월 | 170분기 | | 1965년 4\~12월 | 63세 | 171분기 | | 1966년 | 63세 3개월 | 172분기 | | 1967년 | 63세 6개월 | 172분기 | | 1968년 | 63세 9개월 | 172분기 | 출처: 위 프랑스 정부 안내의 일반 적용 표. 조기 퇴직 등 별도 조건은 제외했다. 64세 기준은 1969년생부터 적용된다. 영상의 ‘62세 9개월에서 멈췄다’는 표현은 이 차이를 생략한 요약이다. 크루그먼은 연금에 집중된 재정 부담이 교육 등 다른 지출을 압박한다고 해석한다. 영상이 연금 문제 다음에 학생 시위와 학교의 어려움을 연결한 이유다. 특정 지출을 지키는 결정에도 비용은 있다. 그 지출이 그대로 유지되면 다른 곳에서 조정하거나 빚을 더 내야 한다. 이 부담을 나누는 정치가 막혀 있다는 것이 영상의 중심 문제다. 유류세를 올리려 하면 노란 조끼 시위가, 연금을 조정하려 하면 노동계의 저항이, 교육 예산을 억누르면 학생들의 반발이 나온다. 각 집단은 당장 자신에게 돌아오는 손실을 막으려 하지만, 정부 전체로 보면 재정수지를 개선할 수단이 하나씩 닫힌다. 연금 개혁을 둘러싼 대립은 올해 예산에서 끝나지 않는다. 영상은 수급 개시 연령을 다시 62세로 낮추겠다는 정치적 약속까지 연결한다. 더 일찍 연금을 받게 하려면 늘어나는 지급액을 누가 감당할지 정해야 한다. 그 재원 설명이 빠진 채 기존 인상 일정부터 되돌리면, 합의를 미룬 비용은 보험료·다른 지출·추가 차입 가운데 어딘가에 남는다. ![세금·연금·교육 조정에 반발하는 집단을 나란히 배치한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/fc14a916-ec74-4aa7-a8ee-7d00a9b63bfc.webp) *세금에는 노란 조끼, 연금에는 노동계, 교육에는 학생이 대응한다는 영상의 비교. 서로 다른 정책 비용이 각각 다른 집단의 저항으로 이어진다. [oyk post, 6:43](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=403s)* [OECD의 2026년 9월 분석](https://oecdecoscope.blog/2026/09/30/frances-public-finances-reducing-debt-without-compromising-growth/)은 프랑스 공공지출이 GDP의 약 57%, 조세부담이 약 44%라고 짚는다. 증세만으로 조정하기 어려운 출발점이다. OECD가 제안하는 방향도 지출의 효율을 높이고 연금의 지속 가능성을 회복하되, 교육·혁신처럼 미래 성장에 필요한 지출은 보호하는 것이다. ![프랑스의 GDP 대비 조세부담과 공공지출을 비교한 영상 도표](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/2d61092c-d7a4-4957-ae2e-a55d4f7aeb73.webp) *조세부담 약 44%, 공공지출 약 57%를 비교한 도표. 유로존 평균보다 7.4%포인트 높다는 설명은 공공지출에 해당하며, 조세부담과 공공지출의 차이가 곧 재정적자는 아니다. [oyk post, 6:57](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=417s)* 그래서 필요한 것은 여러 해 유지할 수 있는 부담 배분이다. 경기와 지출의 성격을 가리지 않는 급격한 삭감은 성장과 세입을 약하게 만들 수 있다. 어떤 지출을 조정하고 어떤 투자를 지킬지 정한 뒤, 정부가 바뀌어도 실행될 계획을 만들어야 한다. 프랑스가 어려운 이유는 바로 그 합의를 만들기 힘들다는 데 있다. ## ECB의 지원도 프랑스의 정치에서 자유롭지 않다 여기까지가 한 나라의 재정 문제라면, 유로화는 여기에 공동체의 문제를 더한다. 프랑스는 자국 판단만으로 유로를 발행할 수 없다. 투자자들이 국채 매입을 꺼리면 금리가 오르고, 이자가 재정을 더 악화시키고, 그 악화가 다시 투자자를 밀어내는 악순환에 노출된다. ![하나의 통화와 국가별 재정을 대비한 유로존 구조 설명](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/635fcc53-152e-46b1-9ff0-e826ddcd412d.webp) *통화는 공유하지만 재정은 국가별로 운영하는 유로존 구조를 설명한 장면. [oyk post, 8:25](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=505s)* 영상은 2012년 드라기 ECB 총재의 유로 수호 발언을 소환한다. [당시 연설 원문](https://www.ecb.europa.eu/press/key/date/2012/html/sp120726.en.html)의 약속은 ECB의 권한 안에서 유로를 지키기 위해 필요한 일을 하겠다는 것이었다. 위기 때 중앙은행이 뒤에 서 줄 것이라는 믿음은 시장을 진정시키는 힘이 있다. 이번에도 그 힘을 기대한다면, ECB가 어떤 조건에서 움직일 수 있는지까지 봐야 한다. ![마리오 드라기의 유로 수호 발언을 소개한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/65f10467-bdb8-4bc0-8360-bc4b4de431a7.webp) *2012년 드라기의 유로 수호 약속을 소개한 장면. 원문에는 ECB의 권한 안에서 행동한다는 전제가 함께 있다. [oyk post, 7:54](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=474s)* ECB에는 회원국의 무질서한 금융시장 불안을 다루는 [통화정책 전달보호기구 TPI](https://www.ecb.europa.eu/press/pr/date/2022/html/ecb.pr220721~973e6e7273.en.html)가 있다. 매입 규모에 사전 한도를 두지 않지만, 재정의 지속 가능성과 정책 이행 등을 평가한다. EU의 과도한 적자 시정 절차에 들어갔다는 사실만으로 자동 배제되는 구조도 아니다. 권고에 따른 유효한 조치를 이행했는지가 함께 고려된다. 이 조건이 프랑스의 국내 정치와 맞물린다. 적자를 줄이겠다는 계획이 계속 뒤집히면 부채가 지속 가능한지, 정책 약속을 믿을 수 있는지 설명하기 어려워진다. 자국 경제의 기초 여건과 무관한 시장 불안을 막는 장치를, 재정 악화 자체를 무기한 떠받치는 수단으로 쓰기도 어렵다. 크루그먼이 지적하는 구제의 난점은 여기에 유럽 내부의 공정성 문제를 더한다. 지원하는 쪽은 프랑스가 어떤 부담을 질 것인지 묻게 되고, 과거 긴축을 견딘 나라들은 왜 프랑스에 다른 조건을 적용해야 하는지 따질 수 있다. 프랑스의 규모가 클수록 방치하기 어렵지만, 지원의 규모와 조건을 둘러싼 충돌도 커진다. ![프랑스 지원을 어렵게 하는 명분·독일·공정성을 정리한 영상 도표](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/15b72b81-b469-42e0-92bd-3497b169e1ac.webp) *영상이 정리한 지원의 정치적 난점: 프랑스의 조정 노력, 독일 등 채권국의 동의, 과거 긴축을 견딘 회원국과의 형평성. ECB의 법적 발동 요건과는 별개의 정치적 분석이다. [oyk post, 9:09](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=549s)* **개혁을 미루는 정치는 국내의 이자 부담을 키우는 동시에, 외부 지원을 설득할 근거도 약하게 만든다.** 이것이 영상의 ‘너무 커서 구하기 어렵다’는 경고를 가장 현실적으로 읽는 방법이다. 위기를 완화하는 경로도 같은 연결에서 나온다. 영상과 크루그먼의 칼럼은 중도 세력이 합의를 회복하거나, 강경한 공약을 내세운 세력이 집권 뒤에는 현실적인 정책으로 조정하거나, ECB가 지원에 나서는 가능성을 든다. 어느 경우든 필요한 변화는 구체적이다. 프랑스 정부가 지속 가능한 예산을 실행할 수 있어야 하고, 유럽의 지원도 그 정책을 뒷받침하는 방향으로 설계돼야 한다. ![정치적 합의 회복·정책 현실화·ECB 개입이라는 개선 가능성을 제시한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/17a05cc0-b1f3-4c25-af53-2914acfbc952.webp) *영상이 정리한 크루그먼의 개선 시나리오. 이 경로가 열리는지 판단하려면 정치 구호가 실행 가능한 예산·연금 정책으로 바뀌는지를 봐야 한다. [oyk post, 10:17](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=617s)* 중앙은행의 지원은 시장이 한꺼번에 국채를 팔아 금리를 밀어 올리는 악순환을 진정시킬 수 있다. 연금과 세입의 장기적인 불균형을 고치는 일은 정부와 의회가 맡아야 한다. 유동성 불안이 가라앉는 것과 재정의 지속 가능성이 회복되는 것은 서로 연결되지만 해결해야 할 과제가 다르다. ## 미룬 결정에는 이자가 붙는다 영상 후반은 신용등급 평가, 2027년 예산, 대통령 선거를 다음 분기점으로 든다. AFT의 [신용등급 일정](https://www.aft.gouv.fr/en/frances-credit-ratings)에는 무디스의 다음 평가가 2026년 10월 23일로 잡혀 있고, [2027년 예산안](https://www.aft.gouv.fr/en/state-budget)은 재정적자 목표를 GDP 대비 5.0%로 제시한다. 프랑스 정부가 안내한 [대선 1차 투표일](https://www.service-public.gouv.fr/particuliers/vosdroits/F1940)은 2027년 4월 18일이다. 이 일정들이 중요한 이유는 앞으로 부담을 줄일 조치가 통과되고 유지될 수 있는지를 드러내기 때문이다. ![신용등급 평가·2027년 예산·대선을 다음 분기점으로 정리한 영상 장면](https://www.readiz.com/assets/authored/46ce76bf-be90-4149-aa3e-889bc0a6e984/fd9c4e24-9a05-43a1-a5a9-6cea5a37adb7.webp) *다음 분기점을 묶은 영상 장면. 10월 23일 신용등급 일정은 2026년, 4월 18일 대선 1차 투표는 2027년을 가리킨다. [oyk post, 10:56](https://www.youtube.com/watch?v=uUx7qVUXzIQ\&t=656s)* 신용평가에서는 등급과 전망이 재정 경로의 어떤 변화에 반응했는지를 읽어야 한다. 예산에서는 적자 5.0%라는 목표뿐 아니라 그 목표를 만드는 세입·지출 조치가 여러 해 유지될 수 있는지가 핵심이다. 선거에서도 같은 기준이 적용된다. 연금 공약의 이름보다 수급 연령·급여·보험료가 어떻게 바뀌고 그 비용을 어떤 재원으로 충당하는지에 따라 장기 부담이 달라진다. 프랑스의 위험은 고령화, 낮은 성장, 정치적 교착이 서로를 강화한다는 데 있다. 성장할 기반을 넓히지 못하면 부담을 나누기 어려워지고, 부담을 나누지 못하면 빚과 이자가 늘어나 성장에 쓸 여력도 줄어든다. 여기에 지원 조건을 둘러싼 유럽의 갈등까지 더해진다. 결국 프랑스에 필요한 것은 감당할 수 있는 연금과 지출 구조, 성장에 필요한 투자, 그리고 그 둘을 여러 해 함께 유지할 정치적 합의다. **그 결정을 늦출수록 다음 합의는 더 비싸진다. 재정위기에서 시간을 보내는 일은 중립적인 선택이 아니다.** [YouTube: 세계적인 석학의 경고 프랑스 현재 상황 · oyk post](https://www.youtube.com/watch?v=uUx7qVUXzIQ) *원본 영상: 2026년 10월 9일 게시, 11분 43초. 공식 통계·제도 설명은 2026년 10월 12일 확인 기준* --- --- id: "authored/e1a5db32-832c-474f-83f1-911c34502d72" title: "한국은행 경제자료 활용 안내" description: "ECOS·BOK 이슈노트·정책 발표의 역할을 구분하고 경제 글에 재사용할 자료와 해석 메모를 찾는다." kind: "llm-wiki" published: "2026-10-11T02:36:49.381Z" updated: "2026-10-17T13:13:11.567Z" tags: ["경제","통계"] url: "https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/" markdownUrl: "https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/자료 안내" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%90%EB%A3%8C+%EC%95%88%EB%82%B4" --- # 한국은행 경제자료 활용 안내 한국은행 자료는 숫자를 찾는 통계, 그 숫자의 작동 경로를 설명하는 연구, 실제 정책 판단을 밝히는 발표로 나눠 활용하면 좋다. 이 문서는 경제 글에 재사용할 원문과 해석 메모를 찾는 입구다. ## 질문에 맞는 자료의 입구 | 질문 | 먼저 볼 자료 | 남겨야 할 기준 | | ---------------------- | -------------------------------------------------------------------------------------------------------------- | --------------------------------- | | 같은 지표가 시간에 따라 어떻게 달라졌나 | [경제통계시스템 ECOS](https://ecos.bok.or.kr/) | 통계표·항목, 단위, 주기, 조정 여부, 조회일과 관측 기간 | | 왜 이런 변화가 생겼나 | [BOK 이슈노트](https://www.bok.or.kr/portal/bbs/P0002353/list.do?menuNo=200433)의 원문·부록 | 저자, 발간일, 표본·모형, 그림·페이지 | | 기준금리가 언제 얼마로 바뀌었나 | [한국은행 기준금리 추이](https://www.bok.or.kr/portal/singl/baseRate/list.do?dataSeCd=01\&menuNo=200643) | 변경일, 금리 수준 | | 당시 왜 그런 결정을 했나 | 결정문·기자간담회. 예: [2026년 8월 모두발언](https://www.bok.or.kr/portal/bbs/B0000170/view.do?menuNo=201297\&nttId=11064264) | 결정 시점의 경제 전망과 판단 근거 | | 달러 유동성 스왑의 목적은 무엇인가 | [연준의 스왑 FAQ](https://www.federalreserve.gov/monetarypolicy/bst_swapfaqs.htm) | 제도 목적·조건, 실제 협정 여부 | ECOS의 개별 통계표 코드나 API 응답은 실제 조회해 확인한 뒤 기록한다. 홈페이지 접근만 확인한 상태에서 코드·산식·최신 수치를 추정해 넣지 않는다. ## 주제별 자료 문서 | 재사용할 질문 | 위키 | 수록 원문 | | -------------------------- | ---------------------------------------------------------------------------------------------- | -------------------------------------- | | 반도체 호황은 구매력·고용·세수로 어떻게 퍼지나 | [소득·고용·세수 전달](https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/) | BOK 이슈노트 2026-16 | | 해외투자·투자소득과 환율을 어떻게 연결하나 | [유량·잔액·투자소득](https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/) | BOK 이슈노트 2026-15 | | 입시 결과와 지역 정주를 어떤 분모로 보나 | [입시·지역 집중](https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/) | BOK 이슈노트 2024-26, 2024-15 | | 청년고용 감소를 AI·정년과 어떻게 대조하나 | [AI 노출과 청년고용](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/) | BOK 이슈노트 2026-19 | | 서비스업의 생산성과 실증 제도를 어디서 확인하나 | [서비스업·자율주행·의료데이터](https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/) | OECD 2024, 국토부 2026-04-28, 복지부 2025-12 | 추가로 [금융기관 가중평균금리·가계신용](https://www.readiz.com/llm-wiki/bank-lending-rates-household-credit/)에서 은행 통계의 분모와 재산정을, [무역지수·반도체 수요·공급](https://www.readiz.com/llm-wiki/semiconductor-price-volume-demand-data/)에서 품질 조정과 출하 범위를 확인한다. 한국은행 자료와 비교하는 [KDI 정년 연구·고령층 부가조사](https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/)는 노동·인구 문서로 분리한다. ## 숫자와 해석을 이어 쓰는 방법 연구 보고서의 과거 수치는 해당 발표 시점의 자료로 남긴다. 최신 전망이나 현재 정책을 평가할 때는 새 발표를 확인하고, 변경된 수치의 기간과 통계 개편 여부를 함께 적는다. 원문 상세 페이지와 보고서 번호를 보존하면 첨부 PDF 주소가 바뀌어도 자료를 다시 찾기 쉽다. 연간 투자 흐름과 자산 잔액, 일반고 출신과 전체 학생, AI 노출도와 인과효과, 정책 계획과 시행 실적을 구분한다. 연구자 견해라는 고지가 있는 한국은행 보고서는 저자를 명시하며 기관의 공식 정책 입장으로 돌리지 않는다. 도표를 재사용할 때는 축·단위·범례·주석·출처를 함께 가져온다. 새로 그린 차트에는 원자료와 재구성 사실을 적고, 설명에 필요한 그림만 사용한다. 각 주제 문서에는 확인한 원문 위치와 도표, 그 자료로 답할 수 있는 질문을 남겼다. ## 원문 파일 다운로드 아래 링크에서 이 안내와 주제별 문서에 사용한 PDF 원문을 내려받을 수 있다. 크기는 수집한 파일 기준이다. | 자료 | 다운로드 | 크기 | | --------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------: | | 이번 교역조건 개선은 왜 다른가: 반도체 경기 호조의 실물경제 파급영향 | [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/c3c0b7ef24a040508642f6f7f592c250/1/7b8544121c934ca199534930fbcd7d44.pdf) | 2.31 MB | | 해외투자와 투자소득이 환율에 미치는 영향 | [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/c38f556bb3da40edbf63a6e07c045934/1/73701d9659ba4ccaa691ee2cf22f3faf.pdf) | 2.95 MB | | 입시경쟁 과열로 인한 사회문제와 대응방안 | [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/360c49d1fcdb47f3902dc2d988a1a6ca/3/71d1ad695427452d932d00e854ce91a5.pdf) | 2.64 MB | | 지역경제 성장요인 분석과 거점도시 중심 균형발전 | [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/0494456e0723125bbcec7a7c40431c87/1/85062d5b5bd14f0ca6a88d69ada1ec38.pdf) | 1.69 MB | | 청년고용 위축, AI 탓인가? 변화하는 경력 사다리와 대응 과제 | [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/8556c4f683b6428d82b8026c525a7fac/1/eac25f02fbe34654ac8216c63e1f2ede.pdf) | 2.32 MB | | OECD Economic Surveys: Korea 2024 | [원기관 PDF](https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/07/oecd-economic-surveys-korea-2024_9343c046/c243e16a-en.pdf) · [Readiz 보관본](https://www.readiz.com/api/research-files/ca1b5ddd1f68b873d8e52bad98af9aa7cb9f5cab0450d0d121d22b51102d1694/) | 4.09 MB | | 광주 자율주행 도시 단위 시범운행지구 지정 및 실증 참여기업 선정 | [ITS Korea 제공 PDF](https://itskorea.kr/downloadFile.do?fileId=FILE_000000000109492\&fileSn=0) | 0.17 MB | OECD 보고서의 보관본은 원본 파일 그대로 제공한다. 출처: OECD (2024), *OECD Economic Surveys: Korea 2024*, OECD Publishing, Paris, [doi:10.1787/c243e16a-en](https://doi.org/10.1787/c243e16a-en). [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 적용 자료이며, 제3자 자료의 별도 권리 표시는 원문을 따른다. ## 활용 사례와 갱신 [반도체 호황이 벌어준 시간, 한국 경제는 무엇을 바꿔야 하나](https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/)에서 위 자료들을 함께 활용했다. 이 안내와 주제별 문서는 이후 글에서 새 근거가 생기면 같은 문서에 갱신한다. 자료 확인: 2026년 10월 11일. ECOS는 공식 입구만 확인했으며 개별 시계열을 새로 내려받은 상태는 아니다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/224b49bd-07e6-4617-a2d9-7c01e6f8bbec" title: "서비스업 생산성과 실증 제도: OECD·자율주행·의료데이터 자료" description: "서비스업 생산성의 구조 비교와 이미 운영되거나 추진 중인 실증·데이터 제도를 구분해 읽는다." kind: "llm-wiki" published: "2026-10-11T02:36:07.827Z" updated: "2026-10-11T04:27:29.867Z" tags: ["경제","생산성","AI"] url: "https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/" markdownUrl: "https://www.readiz.com/llm-wiki/service-productivity-mobility-medical-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 서비스업 생산성과 실증 제도: OECD·자율주행·의료데이터 자료 서비스업 규제를 논할 때는 산업 전체의 생산성 격차와 특정 사업의 허용 범위를 나눠 확인해야 한다. 생산성이 낮다는 사실만으로 어떤 규정을 바꿀지 정해지지는 않으며, 이미 있는 실증·개방 제도를 확인해야 다음 병목을 찾을 수 있다. ## 생산성과 고용 비중 [OECD Economic Surveys: Korea 2024](https://www.oecd.org/en/publications/oecd-economic-surveys-korea-2024_c243e16a-en.html)의 54쪽 Figure 3.4는 2018년 산업별 상대 생산성과 고용 비중을 한국·OECD로 비교한다. ![OECD와 한국의 산업별 상대 생산성 및 고용 비중](https://www.readiz.com/assets/authored/224b49bd-07e6-4617-a2d9-7c01e6f8bbec/3b403366-b9e2-411f-8c01-d80619e0f5ed.webp) *2018년 자료, 단위 %. 기타 사업서비스는 주택 부문 제외. [OECD Economic Surveys: Korea 2024](https://www.oecd.org/en/publications/oecd-economic-surveys-korea-2024_c243e16a-en.html) 54쪽 Figure 3.4, OECD STAN. © OECD 2024.* 왼쪽은 각 경제의 전체 생산성을 기준으로 한 산업별 비율이다. 국가 간 생산성의 절대 수준을 직접 비교한 그래프와 다르다. IT 제조업의 높은 생산성과 고용 비중이 큰 다른 사업서비스업의 낮은 생산성이 함께 나타난다는 구조를 읽는 데 쓴다. 기타 사업서비스에서는 주택 부문이 제외됐다. 보고서는 진입·퇴출, 기술 확산과 자원 이동, 서비스업 진입 규제도 함께 다룬다. ## 자율주행: 실증의 존재와 상용화를 구분 [국토교통부 2026년 4월 28일 발표](https://www.molit.go.kr/USR/NEWS/m_71/dtl.jsp?id=95091950)는 광주 전역 500.97㎢를 도시 단위 시범운행지구로 지정하고, 200대 규모 실증을 추진할 참여기업 3곳을 선정했다고 설명한다. 이는 국내에 시험할 제도가 전혀 없다는 설명을 교정할 근거다. 자료에 적힌 조수석 시험운전자 탑승 실증과 이후 완전 무인 전환 계획은 서로 다른 상태다. 기업 선정이나 특구 지정을 전국 상용 운행의 완료로 표현하지 않는다. 이후 사업 평가에서는 실제 운행 범위, 허가 조건과 안전요원 유무를 최신 운영 자료로 다시 확인한다. ## 의료데이터: 기존 개방과 확대 계획 [보건복지부 2025년 12월 보건의료데이터 정책심의위원회 자료](https://www.mohw.go.kr/gallery.es?act=view\&bid=0003\&list_no=379756\&mid=a10607030000\&tag=)에는 건강보험공단이 2014년부터, 심사평가원이 2015년부터 데이터를 활용·개방해 왔다는 내용이 있다. 국립대병원 임상자료 연계, 심의 절차 표준화와 활용 지원 확대는 후속 과제로 제시된다. 제도의 존재와 연구자가 실제로 얻을 수 있는 데이터의 범위·접근 절차·심의 기간을 구분한다. 보도자료의 계획을 달성 실적으로 바꾸지 않고, 구체적인 연구에는 해당 기관의 최신 신청 안내를 사용한다. [청년고용 자료](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/)를 함께 보면 새 기술의 도입 방식과 노동시장 전환의 연결을 살펴볼 수 있다. ## 원문 파일 다운로드 - **OECD Economic Surveys: Korea 2024** — [원기관 PDF](https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/07/oecd-economic-surveys-korea-2024_9343c046/c243e16a-en.pdf) · [Readiz 보관본](https://www.readiz.com/api/research-files/ca1b5ddd1f68b873d8e52bad98af9aa7cb9f5cab0450d0d121d22b51102d1694/) (4.09 MB) - **광주 자율주행 도시 단위 시범운행지구 지정 및 실증 참여기업 선정** — [ITS Korea 제공 PDF](https://itskorea.kr/downloadFile.do?fileId=FILE_000000000109492\&fileSn=0) (0.17 MB) OECD 보고서의 보관본은 원본 파일 그대로 제공한다. 출처: OECD (2024), *OECD Economic Surveys: Korea 2024*, OECD Publishing, Paris, [doi:10.1787/c243e16a-en](https://doi.org/10.1787/c243e16a-en). [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 적용 자료이며, 제3자 자료의 별도 권리 표시는 원문을 따른다. ## 관련 자료 [경제자료 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [자료를 활용한 글: 반도체 호황과 구조개혁](https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/) 자료 확인: 2026년 10월 11일. 위 날짜는 원자료의 관측 기간과 다르다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/7e1c31b1-72d4-402c-85fd-c48bbd9d42a7" title: "AI 노출과 청년고용: BOK 이슈노트 2026-19 읽기" description: "오삼일·오영식의 AI 고노출 업종 고용, 자동화·증강 지표와 94%의 분모. 국민연금 자료의 연령·업종 구성을 인과효과와 구별한다." kind: "llm-wiki" published: "2026-10-11T02:35:26.294Z" updated: "2026-10-17T13:09:32.707Z" tags: ["AI","청년고용","노출도","자동화","한국은행","2026-19"] url: "https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/" markdownUrl: "https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/노동·인구" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EB%85%B8%EB%8F%99%C2%B7%EC%9D%B8%EA%B5%AC" --- # AI 노출과 청년고용: BOK 이슈노트 2026-19 읽기 AI 도입과 청년고용의 관계를 조사할 때 사용할 연구와 고용 지표를 정리한다. 핵심 원문은 오삼일·오영식의 BOK 이슈노트 제2026-19호 「청년고용 위축, AI 탓인가? 변화하는 경력 사다리와 대응 과제」다. 보고서 번호, AI 노출도, 자동화·증강, 국민연금 가입자 고용으로 다시 찾을 수 있다. ## AI 노출도는 원인 기여율이 아니다 [청년고용 위축, AI 탓인가? 변화하는 경력 사다리와 대응 과제](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845) — 오삼일·오영식, BOK 이슈노트 제2026-19호, 2026년 8월 18일. 연구자의 분석이며 한국은행의 공식 견해와 구분한다. ![AI 노출도별·연령별 고용 증감](https://www.readiz.com/assets/authored/7e1c31b1-72d4-402c-85fd-c48bbd9d42a7/302b8f42-067c-4b7e-a585-df647333038f.webp) *2022년 6월 대비 2026년 6월, 만 명. 오삼일·오영식, [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845) 7쪽 그림 5. 고노출은 상위 두 분위.* 2022년 6월 대비 2026년 6월 국민연금 가입자 자료에서 청년 일자리는 28.5만 개 줄었고, 그중 AI 고노출 업종이 26.8만 개를 차지했다. 보고서의 94%는 감소분의 업종별 구성이다. AI가 그만큼의 일자리를 직접 없앴다는 인과 기여율로 사용하지 않는다. 같은 고노출 업종의 50대는 17.3만 개 증가해 연령별 차이도 나타난다. ![자동화·증강 활용 비중별 청년 취업자 추이](https://www.readiz.com/assets/authored/7e1c31b1-72d4-402c-85fd-c48bbd9d42a7/5304ffc1-7b64-45f2-99f0-3816cb643404.webp) *2022년 11월=100, 계절조정. Claude 사용자료 기반 활용 지표. 오삼일·오영식, [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845) 9쪽 그림 7·8.* 자동화 비중이 높은 업종에서는 청년고용 감소가 컸지만, 인간의 업무를 보조하는 증강 비중에서는 같은 패턴이 나타나지 않았다. 활용 비중은 Claude 사용자료에 기반하므로 국내 노동자의 실제 사용 비중과 동일하지 않다. 채용 정상화·경력직 선호·훈련 약화 같은 대안 설명과 함께 읽는다. ## 같은 질문을 다시 조사할 때 같은 고용 자료·연령 구간·업종 분류를 유지한다. AI 노출도는 기술에 영향을 받을 가능성을, 자동화·증강 비중은 도구가 사용된 방식을 다룬다. 보고서의 자료 범위 밖에서 두 지표를 국내 노동자의 실제 도구 사용률로 바꾸지 않는다. 청년고용 감소의 업종별 구성은 원인별 기여율이 아니다. 채용 정상화, 경력직 선호, 훈련 약화와 제도 변화 같은 대안 설명도 각각의 자료로 비교한다. 정년 의무화의 추정 효과는 별도 [정년 연장·은퇴 자료](https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/)에서 확인한다. ## 원문 파일 다운로드 - **청년고용 위축, AI 탓인가? 변화하는 경력 사다리와 대응 과제** — [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/8556c4f683b6428d82b8026c525a7fac/1/eac25f02fbe34654ac8216c63e1f2ede.pdf) (2.32 MB) ## 함께 찾을 자료 [정년 연장과 은퇴 통계](https://www.readiz.com/llm-wiki/retirement-age-employment-evidence/) · [교육·지역에서 취업으로 이어지는 경로](https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/) · [한국은행 경제자료 활용 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) 자료 확인: 2026년 10월 11일. 관측 기간과 보고서 발표일은 위 원문에서 구분한다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/560b1d34-16ef-4162-aaed-c3f62f6216f5" title: "입시와 지역 집중: 분모·정주 성과·정책 제안 구분" description: "입시 결과의 지역별 비중과 혁신도시의 정주 성과를 두 한국은행 보고서에서 찾아 읽는다." kind: "llm-wiki" published: "2026-10-11T02:34:44.701Z" updated: "2026-10-11T04:26:17.210Z" tags: ["경제","교육","지역"] url: "https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/" markdownUrl: "https://www.readiz.com/llm-wiki/education-regional-concentration-bok-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/교육·지역" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B5%90%EC%9C%A1%C2%B7%EC%A7%80%EC%97%AD" --- # 입시와 지역 집중: 분모·정주 성과·정책 제안 구분 입시 경쟁과 수도권 집중을 논할 때는 교육기회의 지역 차이와 지역에서 가족이 정착할 조건을 함께 볼 수 있다. 아래 두 자료는 각각의 단계를 다루며, 서로 다른 시기와 표본을 하나의 인과효과로 합치지 않는 것이 중요하다. ## 입시 결과의 분모 [입시경쟁 과열로 인한 사회문제와 대응방안](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10086626) — 정종우·이동원·김혜진, BOK 이슈노트 제2024-26호, 2024년 8월 27일. 핵심 비교는 1·6쪽. 2018년 일반고 졸업생 중 서울의 비중은 약 16%, 일반고 출신 서울대 진학생 중 서울의 비중은 약 32%다. 강남 3구는 각각 약 4%, 12%로 제시됐다. 두 분모는 전국 일반고 졸업생 407,600명과 그중 서울대 진학생 1,833명이다. 강남 3구는 서울에 포함되므로 두 집단을 더하지 않는다. ![2018년 서울·강남 3구의 일반고 졸업생 및 서울대 진학생 비중](https://www.readiz.com/assets/authored/560b1d34-16ef-4162-aaed-c3f62f6216f5/d3794df3-dafd-4b5a-adae-91c28cb7bad1.webp) *정종우·이동원·김혜진의 [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10086626) 1·6쪽 반올림 수치를 재구성. 서울대 진학생은 일반고 출신만 포함.* 이 수치는 지역별 진학 결과의 격차를 보여준다. 지역별 비례선발은 일부 상위권 대학이 학령인구 비율을 반영하고 세부 전형을 자율 설계하도록 하는 제안이다. 보고서의 가상 선발 시나리오와 기대효과는 시행 이후의 성과 측정과 구분해야 한다. ## 기관 이전에서 가족 정착까지 [지역경제 성장요인 분석과 거점도시 중심 균형발전](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10084732) — 정민수·이영호·유재성·김의정, BOK 이슈노트 제2024-15호, 2024년 6월 19일. 혁신도시 비교는 20쪽 그림 24. ![혁신도시의 인구 규모와 계획인구·가족동반 이주 성과](https://www.readiz.com/assets/authored/560b1d34-16ef-4162-aaed-c3f62f6216f5/09c88b06-7738-4456-9295-e0aff37e25be.webp) *계획인구 달성률 2022년 6월, 가족 동반 이주율 2023년 6월 기준. 정민수·이영호·유재성·김의정, [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10084732) 20쪽 그림 24.* 보고서는 대도시 내부나 기존 도시 인근에 입지한 혁신도시가 외곽 신도시형보다 인구 유입과 가족 동반 이주에서 대체로 나은 성과를 보인다고 설명한다. 일자리의 위치와 교육·의료·문화시설에 접근할 수 있는 생활권을 함께 살필 근거다. 도시별 규모와 입지가 다른 관측 비교이므로 특정 시설 하나의 인과효과로 읽지 않는다. ## 이후 글에 사용하는 방법 입시의 지역 비중을 현재 상황에 적용하려면 같은 학교 유형과 같은 분모로 새 자료를 찾아야 한다. 지역 정책의 성과에는 기관 수·투자액뿐 아니라 실제 거주와 가족 동반 이주를 함께 비교한다. 연구의 집필자 견해와 정부의 채택·시행 여부를 구분하고, 정책 제안을 현재 시행 중인 제도로 쓰지 않는다. [청년고용 자료](https://www.readiz.com/llm-wiki/ai-retirement-youth-employment-evidence/)와 연결하면 진학 이후의 진입 경로까지 살펴볼 수 있다. ## 원문 파일 다운로드 - **입시경쟁 과열로 인한 사회문제와 대응방안** — [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/360c49d1fcdb47f3902dc2d988a1a6ca/3/71d1ad695427452d932d00e854ce91a5.pdf) (2.64 MB) - **지역경제 성장요인 분석과 거점도시 중심 균형발전** — [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/0494456e0723125bbcec7a7c40431c87/1/85062d5b5bd14f0ca6a88d69ada1ec38.pdf) (1.69 MB) ## 관련 자료 [경제자료 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [자료를 활용한 글: 반도체 호황과 구조개혁](https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/) 자료 확인: 2026년 10월 11일. 위 날짜는 원자료의 관측 기간과 다르다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/336b98b8-07eb-40a4-a080-238ffc348cea" title: "해외투자와 환율: 유량·잔액·투자소득 구분" description: "해외투자 확대와 투자소득이 외환 수급에 전달되는 경로를 국제수지의 범위와 함께 정리한다." kind: "llm-wiki" published: "2026-10-11T02:34:03.099Z" updated: "2026-10-11T04:25:35.645Z" tags: ["경제","환율","투자"] url: "https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/" markdownUrl: "https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/국제경제" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B5%AD%EC%A0%9C%EA%B2%BD%EC%A0%9C" --- # 해외투자와 환율: 유량·잔액·투자소득 구분 수출이나 투자소득 흑자만으로 국내 외환시장의 달러 공급을 설명하기 어렵다. 해외자산을 사들이는 흐름과 해외에서 번 수익의 재투자를 함께 살펴야 한다. ## 원문 [해외투자와 투자소득이 환율에 미치는 영향](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10098543) — 신상호·이주현, BOK 이슈노트 제2026-15호, 2026년 6월 18일. 집필자의 분석이며 한국은행의 공식 견해와 구분한다. 연간 투자 규모 비교는 4쪽에서 확인할 수 있다. ![2024년과 2025년 해외 직접투자 및 증권투자 비교](https://www.readiz.com/assets/authored/336b98b8-07eb-40a4-a080-238ffc348cea/4fc93092-7b1d-496e-8a39-80ae01cde550.webp) *신상호·이주현의 [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10098543) 4쪽 수치로 재구성. 연간 흐름이며 개인만의 투자나 해외자산 잔액이 아니다.* | 지표 | 2024년 | 2025년 | 범위 | | ----------- | ------: | --------: | ------------ | | 해외 직접투자 | 497억 달러 | 412억 달러 | 연간 투자 흐름 | | 해외 증권투자 | 670억 달러 | 1,403억 달러 | 연간 투자 흐름 | | GDP 대비 증권투자 | 3.6% | 7.5% | 해당 연도 GDP 대비 | 이 표는 개인 투자자만의 거래도, 보유한 해외자산의 잔액도 아니다. 해외투자의 단기 외화 수요와 축적된 대외자산이 만드는 장기 투자소득을 서로 다른 단계로 읽는 데 쓴다. ## 투자소득이 곧 환전은 아닌 이유 해외 현지 법인이 이익을 배당하지 않고 재투자하면 통계상 투자소득과 국내 시장으로 들어온 외화 사이에 차이가 생긴다. 보고서는 해외투자 확대의 대외지급능력 개선 효과와 확대 과정의 외환 수요를 함께 분석한다. 따라서 투자소득 흑자가 늘었다는 숫자를 전액 국내 달러 공급으로 계산하면 수급을 과장할 수 있다. ## 재사용할 때 맞출 기준 새 시점에는 국제수지의 직접·증권투자 및 투자소득을 같은 기간으로 갱신한다. 거래 흐름에는 국제수지를, 자산 잔액에는 국제투자대조표를 사용하고 둘을 섞지 않는다. 모형의 환율 반응이나 시나리오 분석은 특정 날짜의 시장 변동을 한 주체의 책임으로 배분하는 증거가 아니다. 수출 호황 쪽의 출발점은 [반도체 소득·고용·세수 자료](https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/)에서 연결한다. ## 원문 파일 다운로드 - **해외투자와 투자소득이 환율에 미치는 영향** — [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/c38f556bb3da40edbf63a6e07c045934/1/73701d9659ba4ccaa691ee2cf22f3faf.pdf) (2.95 MB) ## 관련 자료 [경제자료 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [자료를 활용한 글: 반도체 호황과 구조개혁](https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/) 자료 확인: 2026년 10월 11일. 위 날짜는 원자료의 관측 기간과 다르다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/a323d5a6-fca7-4460-adaf-7523f5e105da" title: "반도체 호황의 소득·고용·세수 전달을 읽는 자료" description: "실질 GDP와 GDI, 산업연관계수, 세입 변동을 구분해 반도체 호황의 국내 전달 경로를 읽는다." kind: "llm-wiki" published: "2026-10-11T02:33:21.470Z" updated: "2026-10-11T04:24:54.126Z" tags: ["경제","반도체"] url: "https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/" markdownUrl: "https://www.readiz.com/llm-wiki/semiconductor-boom-income-jobs-fiscal-data/index.md" generatedBy: "llm" humanReviewed: false wikiFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/llm-wiki/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 반도체 호황의 소득·고용·세수 전달을 읽는 자료 반도체 수출액이 늘어난 뒤 국내 구매력·고용·세수가 얼마나 움직이는지 보려면 서로 다른 지표를 연결해야 한다. 아래 보고서는 그 연결을 한 자료 안에서 살필 때 유용하다. ## 원문과 활용 위치 [이번 교역조건 개선은 왜 다른가: 반도체 경기 호조의 실물경제 파급영향](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977) — 이종웅·김다애·한진수, BOK 이슈노트 제2026-16호, 2026년 7월 19일. 연구자의 분석이며 한국은행의 공식 정책 결정문과 구분한다. | 찾을 내용 | 원문 위치 | 읽을 기준 | | ------------ | ------------ | ----------------------------- | | 생산량과 구매력의 차이 | 3쪽 그림 1·2 | GDP·GDI의 실질 성장률, 반도체 수출 단가·물량 | | 국내 일자리 전달 | 6쪽 그림 5·6 | IT 제조업의 범위, 최종수요에 따른 유발계수 | | 세입 개선과 변동성 | 13쪽 그림 26·27 | 세목별 경로, 업황과 세입의 동행성 | ## 호황의 크기와 전달 범위 2026년 1분기 실질 GDP는 전년 동기 대비 3.8%, 실질 GDI는 13.2% 늘었다. 교역조건 개선으로 생산 증가보다 구매력이 더 크게 개선된 구간이다. AI 수요가 호황을 지지할 수 있다는 보고서의 전망은 과거 유가 하락 때와 다른 설명이다. ![실질 GDP·GDI 성장률과 반도체 수출 단가·물량](https://www.readiz.com/assets/authored/a323d5a6-fca7-4460-adaf-7523f5e105da/3058fb46-1610-47e8-907b-a8b01dcc684f.webp) *2008년–2026년 1분기, 전년 동기 대비. 이종웅·김다애·한진수, [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977) 3쪽 그림 1·2.* 일자리로 퍼지는 정도는 별도로 봐야 한다. 2023년 IT 제조업 취업유발계수는 3.6, 전 산업은 8.2였다. 수출액 증가를 동일한 규모의 국내 고용 증가로 바꿔 읽을 수 없는 이유다. ![IT 제조업 비중과 산업별 생산·취업유발계수](https://www.readiz.com/assets/authored/a323d5a6-fca7-4460-adaf-7523f5e105da/1e42c8f7-4689-489e-917b-fee9a5731127.webp) *생산 추이는 2020년 1분기–2026년 1분기, 유발계수는 2020–2023년. IT 제조업은 컴퓨터·전자·광학기기. [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977) 6쪽 그림 5·6.* 세입에는 기업이익·성과급·주식 거래를 통한 전달 경로가 있다. 업황과 세입의 동행성이 커지면 호황의 세수 증가와 이후의 변동 위험을 함께 고려해야 한다. ![세입 개선 경로와 반도체 사이클·세입 증가율](https://www.readiz.com/assets/authored/a323d5a6-fca7-4460-adaf-7523f5e105da/d52d046d-a9ea-4bc2-ad80-eb6207b08981.webp) *오른쪽 비교는 2010–2025년. 수출액 로그값의 장기 추세를 제거한 사이클. [원문](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977) 13쪽 그림 26·27.* ## 다음 조사에서 갱신할 것 경기 평가에는 새 국민계정과 수출 단가·물량을, 고용 전달에는 산업연관표의 기준연도를 갱신한다. GDP와 GDI를 명목·실질 또는 전기·전년 동기 기준이 다른 채 비교하지 않는다. 그림의 상관관계와 보고서의 전망을 확정된 미래 세수로 사용하지 않는다. 환율까지 연결할 때는 [해외투자와 투자소득 자료](https://www.readiz.com/llm-wiki/overseas-investment-income-exchange-rate-data/)를 함께 본다. ## 원문 파일 다운로드 - **이번 교역조건 개선은 왜 다른가: 반도체 경기 호조의 실물경제 파급영향** — [원기관 PDF](https://www.bok.or.kr/fileSrc/portal/c3c0b7ef24a040508642f6f7f592c250/1/7b8544121c934ca199534930fbcd7d44.pdf) (2.31 MB) ## 관련 자료 [경제자료 안내](https://www.readiz.com/llm-wiki/bok-economic-data-research-guide/) · [자료를 활용한 글: 반도체 호황과 구조개혁](https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/) 자료 확인: 2026년 10월 11일. 위 날짜는 원자료의 관측 기간과 다르다. --- > LLM이 작성하고 사람의 검토 없이 게시한 문서다. 부정확한 내용이 있을 수 있다. --- --- id: "authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790" title: "반도체 호황이 벌어준 시간, 한국 경제는 무엇을 바꿔야 하나" description: "슈카월드와 이창용 전 한국은행 총재의 대담을 바탕으로 금리·환율 논쟁부터 부동산·입시·노동시장·AI까지, 호황의 이익을 구조개혁과 다음 세대의 기회로 연결하는 조건을 살펴본다." kind: "record" published: "2026-10-10T19:21:38.137Z" updated: "2026-11-11T06:23:17.684Z" tags: ["경제","금리","환율","구조개혁"] url: "https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/" markdownUrl: "https://www.readiz.com/records/rhee-chang-yong-semiconductor-boom-structural-reform/index.md" recordFolder: "경제·금융/산업·생산성" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%82%B0%EC%97%85%C2%B7%EC%83%9D%EC%82%B0%EC%84%B1" --- # 반도체 호황이 벌어준 시간, 한국 경제는 무엇을 바꿔야 하나 반도체 호황은 한국 경제가 구조개혁의 비용을 감당할 기회다. 기업의 이익과 세수가 늘어나는 동안 교육·주거·고용의 막힌 통로를 열어야 한다. 지금의 수익을 오래 지속될 소득으로 가정해 지출을 고정하고, 자산 가격 상승을 성장의 완성으로 받아들이면 다음 불황에는 바꿀 여력까지 줄어든다. 슈카월드의 「이제는 말씀드리겠습니다.」에서 이창용 전 한국은행 총재가 풀어놓은 이야기를 관통하는 문제의식은 여기에 있다. 대담은 금리와 환율에 대한 재임 중 판단에서 시작해 부동산, 대학 입시, 노동시장, 서비스업, AI와 청년의 의사결정권으로 이어진다. 각각의 쟁점은 **한국이 번 돈을 어디에 쓰고, 다음 세대가 어떤 경로로 기회를 얻을 것인가**라는 질문에 연결된다. [YouTube: 슈카월드 — 이제는 말씀드리겠습니다.](https://www.youtube.com/watch?v=2hUkTmwYm3A) *2026년 10월 10일 공개된 약 98분 분량의 대담. 아래에서는 영상 속 설명과 정책 제안을 따라가되, 관련 연구와 이 글의 판단을 함께 연결한다.* ## 반도체가 잘될 때 개혁해야 하는 이유 [대담 초반](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=297s)에 이창용은 불과 얼마 전까지 반도체 전망이 얼마나 어두웠는지부터 되짚는다. 삼성전자의 HBM 경쟁력을 걱정하던 때 전문가들을 만나 의견을 들었지만, 지금과 같은 호황을 자신 있게 예측한 사람은 없었다는 회고다. 분위기가 좋아지자 이번에는 호황이 앞으로도 오래갈 것이라는 확신이 빠르게 퍼지고 있다. 그가 강조하는 것은 정책의 시간이다. 기업은 수요 전망에 따라 투자를 늘리고 줄이지만, 국가는 호황이 예상보다 빨리 끝나는 경우까지 감당해야 한다. AI 수요, 기술 경쟁, 중국의 생산능력, 첨단 장비에 대한 수출통제가 바뀌면 지금의 수익 구조도 달라진다. 당장의 실적이 좋아진 사실과 그 실적이 10년 동안 이어질 것이라는 가정은 정책에서 서로 다른 무게를 가져야 한다. 이번 호황의 힘을 작게 볼 이유는 없다. 이종웅·김다애·한진수의 한국은행 이슈노트 [「이번 교역조건 개선은 왜 다른가: 반도체 경기 호조의 실물경제 파급영향」](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977)은 AI 관련 수출 수요가 이끄는 소득 증가가 과거의 유가 하락에 따른 비용 절감보다 지속적일 수 있다고 분석한다. 동시에 수혜가 IT 부문과 고소득·고자산 계층에 치우치고, 고용과 국내 투자로 전달되는 경로에는 제약이 있다고 짚는다. 호황의 지속 가능성과 호황의 과실이 넓게 퍼지는가는 따로 풀어야 하는 문제다. 이 보고서에서 2026년 1분기 실질 GDP는 전년 동기보다 3.8%, 교역조건 변화를 반영한 실질 GDI는 13.2% 늘었다. 반도체 가격 상승이 생산량 증가를 넘어 국내의 구매력을 키운 셈이다. 호황이 만든 소득의 크기는 분명하다. ![GDP와 GDI 성장률, 반도체 수출의 단가와 물량 기여 비교](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/841aba3a-29ab-4426-aeb4-d24e968f11bd.webp) *2008년–2026년 1분기, 전년 동기 대비. 실질 GDP·GDI 성장률과 반도체 수출금액 분해. 출처: 이종웅·김다애·한진수, [BOK 이슈노트 제2026-16호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977), 3쪽 그림 1·2.* 그 소득이 일자리로 퍼지는 통로는 상대적으로 좁다. 아래 산업연관 지표에서 2023년 IT 제조업의 취업유발계수는 3.6으로 전 산업의 8.2보다 낮다. 해외 장비를 사들이는 투자도 국내 생산으로 전부 돌아오지는 않는다. 수출 실적에 맞춰 체감 경기가 저절로 개선되기를 기다리기보다, 새 소득이 고용과 소비로 이어질 통로를 넓혀야 한다. ![IT 제조업 비중 상승과 산업별 생산 및 취업유발계수](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/1c815834-728c-4d66-b0d5-fcc42fa7cbcf.webp) *왼쪽은 2020년 1분기–2026년 1분기 생산·비중, 오른쪽은 2020–2023년 산업연관계수. IT 제조업은 컴퓨터·전자·광학기기 기준. 출처: 이종웅·김다애·한진수, [BOK 이슈노트 제2026-16호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977), 6쪽 그림 5·6.* 반도체 기업이 큰돈을 벌어도 청년이 첫 직장을 얻는 문이 좁고, 좋은 교육과 일자리를 위해 수도권에 들어가야 하며, 그 과정에서 주거비가 소득을 빨아들이면 성장의 체감은 갈라진다. [53분 47초 이후](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=3227s)의 구조개혁 대목에서 그가 다시 반도체를 꺼내는 이유다. 호황이 시간을 벌어주었을 때 그 시간을 제도 변화에 써야 한다. ## 세수는 경기와 함께 움직이고, 지출은 오래 남는다 [확장재정에 대한 답변](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=535s)은 이 시간 차이를 가장 명확하게 보여준다. 반도체 이익이 늘면 세수가 좋아진다. 그 세수에 맞춰 상시적인 지출을 확대하면, 몇 년 뒤 업황이 식어도 이미 만들어진 지출 약속은 남는다. 한두 해의 수입 증가로 여러 해의 의무를 만드는 구조다. ![호황 때 늘리는 예산과 장기 지출의 위험을 설명하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/05aee07b-caa7-48dc-bdc2-c8074f151b6c.webp) *세수 전망과 장기 지출 약속을 연결해 재정 위험을 설명하는 대목. [슈카월드, 10:48](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=648s)* 반도체 호황은 기업이익과 성과급, 주식 거래를 거쳐 여러 세목을 동시에 늘린다. 이종웅·김다애·한진수는 코로나19 이후 반도체 수출과 세입의 동행성이 커진 점을 지적한다. 아래 왼쪽은 세입이 개선되는 경로, 오른쪽은 업황에 따라 세입 변동도 커지는 관계를 보여준다. 지출을 결정할 때는 증가한 세수의 규모와 함께 그 수입의 변동성을 계산해야 한다. ![반도체 호황의 세수 개선 경로와 반도체 사이클 및 세입 증가율](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/080b7f7a-f8c8-47f0-b3c6-11cd2243da37.webp) *왼쪽은 세수 개선 경로, 오른쪽은 2010–2025년 반도체 수출과 세입의 관계. 반도체 사이클은 수출액의 로그값에서 장기 추세를 제거해 산출. 출처: 이종웅·김다애·한진수, [BOK 이슈노트 제2026-16호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11062977), 13쪽 그림 26·27.* 좋을 때 재정을 더 늘리고 나쁠 때 세수가 부족해 지출을 줄이면, 정부가 경기의 진폭을 키우게 된다. 호황으로 생긴 여유를 어떻게 쓸지는 지출의 규모와 성격을 함께 봐야 한다. 기존 제도를 그대로 둔 채 지급액만 늘리는 방식과, 산업 전환의 보상·재교육·지역의 생활 기반을 마련하는 방식은 이후에 남기는 자산이 다르다. 개혁으로 손해를 보는 사람에게 전환 비용을 보상하고, 새 일자리로 옮겨갈 수 있게 돕고, 다음 충격에 대응할 여유를 남기는 데 호황의 재원을 써야 한다. 돈이 있어야 이해관계 조정도 현실적인 선택지가 된다. ## 금리는 물가·성장·금융안정을 함께 보고 결정한다 [재임 중 금리 정책에 대한 비판](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=714s)에 이창용은 먼저 시기를 나눠 답한다. 취임 당시 1.5%였던 기준금리는 2023년 1월 3.5%까지 올랐다. 이후에는 물가가 둔화하는 가운데 성장세와 금융시장의 불안을 함께 봐야 했다는 설명이다. 실제 금리 경로도 [한국은행 기준금리 추이](https://www.bok.or.kr/portal/singl/baseRate/list.do?dataSeCd=01\&menuNo=200643)에서 확인된다. ![2023년 1월 기준금리 3.5%를 언급하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/62fbb26b-a668-45c1-909d-7f9f33acad85.webp) *취임 후 기준금리가 3.5%까지 오른 경로를 되짚는 장면. [슈카월드, 12:53](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=773s)* 그의 답변에서 핵심은 환율과 기준금리의 관계다. 원화가 약해졌다는 이유만으로 금리를 계속 올리면 가계와 기업의 이자 부담, 내수와 고용에 비용이 생긴다. 중앙은행은 환율이 수입물가와 기대인플레이션에 얼마나 전달되는지, 외화 조달이나 금융시장 기능에 어떤 위험이 생기는지를 따져야 한다. 특정 환율 숫자를 유지하는 데 모든 정책을 맞추면 다른 목표의 손실이 커진다. 이 논리는 상황에 따라 인상과 인하 모두를 요구한다. 영상의 재임 회고와 현재의 정책 환경도 구분할 필요가 있다. 2026년 8월 한국은행은 기준금리를 2.75%에서 3.00%로 인상하며 물가와 성장, 수도권 주택시장과 가계부채를 함께 설명했다. 환율 하나로 금리의 방향을 정할 수 없다는 원칙은 같고, 판단에 들어가는 경제 여건이 달라진 것이다. [2026년 8월 통화정책방향 기자간담회 모두발언](https://www.bok.or.kr/portal/bbs/B0000170/view.do?menuNo=201297\&nttId=11064264) [글로벌 금리](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=1001s)에 대해서는 전쟁과 유가뿐 아니라 재정적자, AI 투자에 필요한 자금 수요, 일본의 장기 저금리 환경 변화도 거론한다. 한국만 금리를 조정한다고 세계의 자금 가격까지 원하는 방향으로 움직일 수는 없다. 정책의 선택지를 논할 때 이 외부 조건이 먼저 놓여야 한다. [한국식 점도표](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=1156s) 이야기도 같은 맥락이다. 이창용은 공통의 경제 전망 아래 금통위원들이 생각하는 향후 6개월의 금리 경로를 드러내는 일이 총재 한 사람의 말에만 시장이 매달리는 상황을 줄일 수 있다고 설명한다. 미국의 지역 연준별 전망 체계와 한국의 구조는 다르다. 예고된 경로가 확약으로 소비되지 않도록, 경제 전망과 그 전망이 달라질 조건까지 전달하는 소통이 중요하다. ## 수출이 잘돼도 원화가 약할 수 있다 [환율 변동의 배경을 묻는 대목](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=1352s)에서 그는 외국인의 국내 주식 매매를 주요 변수로 든다. 국내 주가가 크게 오르면 해외 투자자의 전체 자산 중 한국 주식 비중도 높아진다. 목표 비중이나 위험 한도를 맞춰야 하는 투자자는 일부를 매도하고 달러로 바꿀 수 있다. 한국 기업의 실적이 좋아 주가가 올랐는데, 그 상승이 포트폴리오 조정과 달러 수요를 부르는 경로다. 수출로 버는 외화만 보면 이 움직임이 보이지 않는다. 경상거래를 통해 외화가 들어오는 동시에 국내 거주자의 해외투자와 외국인의 자금 회수로 외화가 나간다. 환율을 읽으려면 수출 실적과 자본 이동을 함께 봐야 한다. ![2024년과 2025년 한국의 해외 직접투자 및 증권투자 비교](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/16d41309-c335-4721-9d83-3d4702a24b80.webp) *2024–2025년 연간 해외투자액을 재구성했다. 개인만의 투자나 자산 보유잔액이 아니다. 출처: 신상호·이주현, [BOK 이슈노트 제2026-15호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10098543), 4쪽.* 해외에서 이익을 냈다는 사실도 곧바로 국내 외환시장에 달러가 공급됐다는 뜻은 아니다. 현지 법인이 이익을 배당하지 않고 다시 투자하면 통계상 투자소득과 실제 국내 환전 사이에 차이가 생긴다. 신상호·이주현의 [「해외투자와 투자소득이 환율에 미치는 영향」](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10098543)은 해외자산 축적이 장기적인 외화소득과 대외지급능력을 높이는 긍정적 효과와, 투자가 빠르게 늘어나는 과정의 외환 수요를 함께 분석한다. 이창용이 특정 환율 수준을 무리하게 방어하는 데 비판적인 이유도 여기에 있다. 자산 비중을 줄이려는 외국인에게 중앙은행이 계속 달러를 내주면, 공적 자원이 상대방의 환전 비용을 낮춰주는 결과가 될 수 있다는 것이다. 과도한 변동과 시장 기능의 마비에 대응하는 일, 특정 가격을 계속 보장하는 일은 정책의 목적과 비용이 다르다. ## ‘서학개미 탓’ 논쟁에서 설명과 책임을 구분하기 [26분 45초부터](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=1605s) 슈카는 가장 불편한 질문을 직접 던진다. 왜 환율 상승의 책임을 해외주식에 투자한 개인에게 돌렸느냐는 비판이다. 이창용은 발언 때문에 상처받은 사람에게 미안하다고 말하고, 자신이 설명하려던 것은 외환 수급의 변화였다고 답한다. 슈카가 제시한 비유는 물이 가득 찬 잔의 마지막 한 방울이다. 잔을 채운 다른 원인은 두고 마지막에 들어간 개인 투자자만 탓하는 것 아니냐는 질문이다. 이창용은 가격이 결정되는 순간에는 추가적인 수요가 중요하며, 성장률이나 금리 차처럼 단기간에 바꾸기 어려운 요인과 당장 조절할 수 있는 수급을 구분해야 한다고 설명한다. 응급실에 온 환자에게 평소 운동을 잘하라는 말만 해서는 지금의 문제를 해결할 수 없다는 비유도 이어진다. ![서학개미 발언과 환율 수급의 여러 요인을 설명하는 이창용 전 총재](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/d0200005-f823-4c61-afbe-e23385d1eb34.webp) *단기 수급 요인과 누적된 구조적 요인을 설명하는 장면. [슈카월드, 28:30](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=1710s)* 이 설명은 단기 외환시장을 이해하는 데 도움이 된다. 여기서 정책의 정당성까지 평가하려면 한 단계가 더 필요하다. 개인의 합법적인 자산 배분이 달러 수요를 늘렸다는 분석과, 그 개인이 잘못했으니 투자를 억제해야 한다는 판단 사이에는 큰 거리가 있다. 누가 얼마나 수요를 만들었는지뿐 아니라 조치의 효과와 비용, 다른 수단의 가능성도 비교해야 한다. 이어지는 해외투자 답변에서 이창용 역시 개인의 해외투자 확대를 자연스러운 변화로 받아들인다. 자산이 늘고 투자 정보에 대한 접근이 쉬워진 상황에서 국내 자산만 보유하라고 할 수는 없다. 국내 시장의 매력을 높이는 노력과 투자자의 환위험 이해가 함께 필요하다는 설명이다. 원화 생활자에게는 달러 기준 투자수익과 원화로 환산한 수익이 다르다. 해외주식이 올라도 원화가 강해지면 원화 수익은 줄어들 수 있다. 반대로 주가 변동이 크지 않아도 원화 약세가 환산 수익을 높일 수 있다. 해외투자의 성과를 주식 선택과 환율 효과로 나눠 보는 습관이 필요한 이유다. 국민연금에 대해서는 영향력에 걸맞은 운용 역량을 요구한다. 규모가 커진 투자자의 거래는 시장 가격과 외환 수급에 영향을 준다. 그 영향을 운용 판단 안에서 이해할 인력과 분석 체계가 있어야 한다는 주장이다. 이창용은 이를 정부 지시에 따라 투자하라는 의미와 구분해 설명한다. ## 통화스왑과 국가 신용은 무엇으로 지켜지는가 [한미 통화스왑에 대한 설명](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=2018s)은 대외 신뢰의 성격을 드러낸다. 이창용은 연준이 미국의 금융안정과 달러 조달 시장의 문제를 중심에 두고 판단한다고 설명한다. 한국의 환율이 불편하다는 사정이나 중앙은행 총재 사이의 친분만으로 원하는 안전망을 얻을 수 있다는 기대와는 거리가 있다. 연준의 [달러 유동성 스왑 설명](https://www.federalreserve.gov/monetarypolicy/bst_swapfaqs.htm)도 해외의 자금시장 불안이 미국 시장으로 번지는 위험을 줄이고, 달러를 필요로 하는 금융기관에 자금이 전달되도록 하는 목적을 명시한다. 대담에서 이창용이 정리한 조건은 이런 정책 논리에 대한 설명으로 읽는 편이 정확하다. 환율이 특정 수준을 넘으면 자동으로 발동하는 가격 보증 장치로 이해하면 실제 제도의 목적을 놓친다. [비상계엄 당시의 회고](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=2528s)는 국가 신용을 지키는 또 다른 기반을 보여준다. 그는 처음 소식을 접했을 때 딥페이크를 의심할 만큼 놀랐고, 국가신용등급이 떨어질 가능성을 특히 우려했다고 말한다. 한 번 훼손된 신뢰는 단기적인 시장 안정만으로 곧바로 되돌리기 어렵기 때문이다. 해외에 전달하려 했던 메시지는 한국의 제도적 절차가 계속 작동한다는 것이었다. 과거 탄핵 사례와 절차를 정리해 설명하고, 헌법재판소를 통한 해결 경로를 제시했다는 회고가 이어진다. 그러므로 헌법기관 구성과 절차가 지연되는 일은 국내 정치의 문제이면서 대외 신뢰의 문제이기도 했다. 투자자는 정책 당국이 낙관적인 말을 하는지와 함께, 충격을 처리할 규칙이 실제로 유지되는지를 본다. 그가 한국의 가장 큰 위험으로 [지정학](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=2840s)을 드는 이유도 이 기반과 맞닿아 있다. 남북 관계에 더해 미·중 경쟁과 주변 강대국 사이의 질서가 수출과 투자, 금융안정의 조건을 바꾼다. 경제의 실적을 지키려면 산업 경쟁력과 제도에 대한 신뢰를 함께 유지해야 한다. ## 한국은행이 교육과 노동을 말하는 이유 [50분 57초](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=3057s)부터 대화의 무게중심이 구조개혁으로 이동한다. 중앙은행이 왜 대학 입시와 노동시장까지 말하느냐는 질문에 대한 그의 답은 통화정책의 한계다. 교육과 노동의 구조 때문에 성장할 힘이 약해졌는데, 해법을 금리 인하에서만 찾으면 돈은 풀려도 생산성이 충분히 높아지지 않을 수 있다. 수요가 특정 자산으로 몰리면 주거비와 자산 격차가 더 커진다. 중앙은행이 구조적 원인을 설명해야 통화정책으로 해결할 수 있는 범위도 분명해진다는 논리다. 물가에서도 비슷한 구분이 필요하다. 물가상승률이 안정됐어도 이미 오른 가격 때문에 생활비 부담은 클 수 있다. 특히 농산물의 수급과 유통, 수입 구조에서 비롯된 비싼 가격을 기준금리 하나로 낮추려 하면 경제 전체가 비용을 치른다. 가격이 만들어지는 구조에 맞는 수단이 필요하다. 이 대목은 이후의 여러 개혁안을 묶어준다. 수도권의 집값, 사교육 경쟁, 청년의 노동시장 진입은 서로 영향을 주고받는다. 한쪽의 비용만 보조하면 다른 쪽의 가격으로 흡수될 수 있다. 사람들이 선택하는 경로 자체를 바꾸어야 지원의 효과가 오래 남는다. ## 집을 늘리는 정책과 서울로 몰리는 이유를 함께 다뤄야 한다 [부동산 대목](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=3458s)에서 이창용은 수도권의 일부 지역과 지방의 상황을 구분한다. 전국을 하나의 주택시장으로 놓으면 가격이 오르는 곳과 수요가 약한 곳에 같은 처방을 하게 된다. 어디에 어떤 집이 부족한지, 사람들이 왜 그곳을 원하는지부터 봐야 한다. 그는 공급 확대와 함께 수도권 집중을 만드는 수요를 다뤄야 한다고 주장한다. 좋은 일자리와 교육, 의료와 문화가 서울에 모여 있으면 가계는 비싼 주거비를 감수하고 들어온다. 더 좋은 교육을 위해 이사하고, 그 지역의 집값이 올라 더 많은 자산이 필요해지는 과정이 반복된다. 지역 정책에 대해서는 거점을 집중적으로 키우는 방식을 말한다. 공공기관이나 시설을 조금씩 나눠 배치하면 각각은 존재해도 하나의 생활권이 갖춰지기 어렵다. 산업과 일자리 옆에 병원, 교육, 문화시설이 함께 있어야 가족이 정착할 선택지가 된다. 공장을 유치한 성과와 그 지역에서 계속 살 수 있는 조건을 연결해야 한다는 이야기다. ![서울에 대응할 지역 거점을 키우자고 말하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/cdcd5e82-86c4-473e-a3d1-c036172d8177.webp) *시설의 분산 배치에서 생활권을 갖춘 지역 거점으로 논의를 옮기는 대목. [슈카월드, 59:48](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=3588s)* 정민수·이영호·유재성·김의정의 [「지역경제 성장요인 분석과 거점도시 중심 균형발전」](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10084732)은 혁신도시의 실제 정주 결과를 비교한다. 대도시 내부나 기존 도시 인근에 입지한 신시가지형 혁신도시가 외곽 신도시형보다 인구 유입과 가족 동반 이주에서 대체로 나았다. 공공기관을 이전시키는 행정 결정 뒤에도 교육·의료·문화시설에 접근할 수 있는지가 가계의 선택에 남는다는 설명이다. ![혁신도시의 인구 규모에 따른 계획인구 달성률과 가족동반 이주율](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/641924d0-5131-4133-a1d1-509535acea88.webp) *계획인구 달성률은 2022년 6월, 가족 동반 이주율은 2023년 6월 기준. 도시별 관측 비교. 출처: 정민수·이영호·유재성·김의정, [BOK 이슈노트 제2024-15호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10084732), 20쪽 그림 24.* 이 비교는 입지와 규모가 다른 도시들의 관측 결과이며 특정 시설의 인과효과를 분리한 값은 아니다. 그 차이까지 포함한 정주 성과를 봐야 기관 이전 수와 투자액만으로 평가할 때 놓치는 부분이 드러난다. 지역에 일자리를 보내는 정책은 가족이 함께 옮길 만한 생활권을 만드는 데까지 이어져야 한다. 주택 금융과 세제에 대한 비판도 이 수요 구조를 향한다. 그는 정책대출이 구매력을 늘려 집값을 자극하고, 높아진 집값 때문에 더 큰 지원이 요구되는 순환을 경계한다. 분양가상한제 아래에서 당첨자에게 큰 차익이 돌아가는 구조도 문제로 든다. 구매 지원의 효과를 보려면 수혜자가 받은 금액에 더해 거래 가격과 신규 진입자의 부담이 어떻게 바뀌는지를 봐야 한다. 세금에서는 보유 부담과 거래 부담의 구성을 바꾸자는 제안을 한다. 보유세를 높이고 거래세를 낮추어 기존 주택이 필요한 사람에게 이동하도록 유도하자는 방향이다. 대담에서 특히 강조하는 조건은 정책의 지속성이다. 정부가 바뀔 때마다 방향이 뒤집힐 것이라고 생각하면 사람들은 적응하기보다 버티기를 선택한다. 장기간 유지될 것이라는 신뢰가 있어야 주택 보유와 이동의 계산도 달라진다. 이 제안들을 묶는 기준은 명확하다. 집을 살 때 더 큰 대출을 받을 수 있게 만드는 데서 멈추면 주거비 경쟁은 계속된다. 일자리와 교육의 입지를 넓히고, 기존 주택의 이동을 쉽게 하며, 실제 공급이 수요를 따라갈 수 있게 하는 변화가 같이 가야 한다. ## 지역별 비례선발은 입시와 주거의 연결을 건드리는 제안이다 [대학 입시를 다루는 대목](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=3913s)에서 슈카는 지역별 비례선발이 역차별이라는 반론을 제시한다. 이창용은 같은 시험을 치렀다는 사실만으로 출발 조건까지 같았다고 볼 수 있는지 되묻는다. 부모의 경제력과 거주지역, 사교육 자원이 시험 성적과 진학 기회에 영향을 주는 상황을 제도 안에서 어떻게 다룰 것인가가 쟁점이다. ![입시 성적과 부모의 재산 사이의 관계를 논하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/2d72034e-64e0-47bc-9cb7-e03c7d78073c.webp) *부모의 경제력이 성적에 미치는 영향을 들어 입시 공정성을 논하는 장면. [슈카월드, 1:07:28](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=4048s)* ![2018년 서울과 강남 3구의 일반고 졸업생 비중과 서울대 진학생 비중 비교](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/be31be9c-89aa-41ea-baf7-457515e5df4c.webp) *2018년 일반고 졸업생 기준의 지역별 비중이다. 서울대 진학생 역시 일반고 출신만을 대상으로 하며, 최신 입시 결과와 구분해야 한다. 출처: 정종우·이동원·김혜진, [BOK 이슈노트 제2024-26호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10086626), 1·6쪽. 반올림 수치를 재구성했다.* 위 도표는 정종우·이동원·김혜진의 [「입시경쟁 과열로 인한 사회문제와 대응방안」](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=10086626)에 제시된 수치다. 서울의 일반고 졸업생 비중과 서울대 진학생 비중 사이에 차이가 크다. 이 자료는 입시 결과에 지역과 교육환경이 깊이 얽혀 있다는 문제를 보여준다. 지역별 비례선발은 일부 상위권 대학이 자발적으로 지역별 학령인구 비율을 반영하고, 세부 선발기준과 전형은 자율적으로 정하도록 하는 제안이다. 입시를 위해 특정 지역으로 옮겨가야 한다는 유인을 약화시키고, 다양한 배경의 인재를 발굴하려는 목적을 가진다. 보고서가 제시하는 효과는 제도의 설계와 분석에 근거한 기대효과다. 전국 시행 이후의 성과를 측정한 결과와는 구분해야 한다. 대담에서는 지방대학에 자원을 투입하는 방식과도 차이를 둔다. 기존의 대학 서열과 수도권 진학을 향한 유인이 강하게 유지되면, 지방대학 지원만으로 가계의 선택을 충분히 바꾸기 어렵다는 것이다. 상위권 대학에 진입하는 경로까지 바꾸어야 입시와 주거가 맞물린 경쟁에 영향을 줄 수 있다는 논리다. 슈카가 제기하는 선발 비리 우려도 가볍지 않다. 평가 요소를 다양하게 만들수록 판단의 재량과 감시 비용이 늘어난다. 이창용은 부정에 대한 엄격한 처벌과 관리가 필요하다고 답한다. 이 제안의 성패는 선발 비율뿐 아니라 지역의 범위를 어떻게 정하고, 이동이나 편법을 어떻게 다루며, 실제 학업 성과와 기회 확대를 어떻게 평가하는지에 달려 있다. 공정성의 평가 범위를 넓혀야 한다. 시험 직전의 규칙에 더해 그 시험을 준비하는 데 필요한 돈과 거주 비용까지 살펴야 한다. 그 비용을 줄이는 제도 변화는 교육정책이면서 주거정책이고, 청년이 가정을 꾸리는 조건에 대한 정책이기도 하다. ## 정년과 청년 채용을 같은 노동시장 안에서 보기 [노동시장 개혁](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=4355s)에 관한 답변은 이미 조직 안에 들어간 사람과 아직 들어가지 못한 사람의 차이를 중심으로 전개된다. 정규직과 조직된 노동자의 이해는 의사결정에 반영되기 쉽다. 청년, 비정규직, 취업 준비생처럼 입구 밖에 있는 사람의 손실은 같은 무게로 드러나기 어렵다. 정년 연장에 대한 그의 우려도 이 구도에서 나온다. 더 오래 일할 수 있게 하는 것은 고령화 사회에서 중요한 과제다. 여기에 임금체계와 근로시간, 직무 배치의 변화가 함께 가지 않으면 기업은 늘어나는 고용 비용을 신규 채용을 줄이는 방식으로 조정할 수 있다. 기존 근로자의 고용을 연장한 성과와 청년의 진입 기회를 동시에 평가해야 한다는 주장이다. ![정년 연장 비용과 신규 채용 축소를 연결해 설명하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/21b30ec0-94b1-443e-bb81-d5fc4cfae422.webp) *임금 경로를 유지한 정년 연장이 신규 채용에 주는 부담을 설명하는 대목. [슈카월드, 1:14:36](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=4476s)* 실제 제도 변화에서도 고용의 조정은 나타났다. 한요셉의 [KDI 「정년 연장이 고령층과 청년층 고용에 미치는 효과」](https://www.kdi.re.kr/research/reportView?pub_no=16561)는 2016년부터 단계적으로 시행된 60세 정년 의무화를 분석했다. 민간사업체에서는 정년 연장 혜택 대상자가 한 명 많을 때 55–60세 고용이 0.6명 늘고 15–29세 고용이 0.2명 줄어드는 효과가 추정됐다. 특히 규모가 크거나 기존 정년이 낮았던 사업체에 변화가 집중됐다. 같은 연구가 소개하는 공공기관의 결과는 달랐다. | 분석 대상 | 함께 작동한 제도와 관측 결과 | 설계에 주는 시사점 | | ----- | ------------------------------------------------------ | -------------------------------------------- | | 민간사업체 | 고령층 고용 증가와 청년층 고용 감소가 함께 나타남 | 급격한 비용 증가가 신규 채용으로 전가되는 경로를 줄여야 함 | | 공공기관 | 청년 의무채용과 임금피크제가 병행되면서 고령층·청년층 고용이 함께 증가. 40대 초반 고용은 감소 | 채용 규칙과 임금 조정이 결과를 바꾸며, 다른 연령대로 이동한 부담까지 봐야 함 | 정년의 숫자만 올릴 때와 임금·채용 규칙까지 함께 바꿀 때는 결과가 달랐다. 따라서 정년 연장과 청년 채용을 함께 살리려면 연장의 속도, 임금 경로, 신규 채용 재원을 한 묶음으로 설계해야 한다. 정년의 보호를 받기 어려운 중소기업·비정규직 고령자에게는 별도의 일자리와 재취업 지원이 필요하다. 퇴직한 전문가가 짧은 시간이라도 경험을 활용해 일할 수 있도록 하는 유연성도 거론한다. 사람마다 일할 수 있는 시간과 맡을 수 있는 역할이 다른데, 일자리의 형태가 획일적이면 그 능력이 생산으로 연결되지 못한다. 연령과 근속연수에 따라 고정된 경로를 따라가는 체계를 직무와 기여에 맞게 바꾸자는 이야기다. 여기서 개혁의 비용이 누구에게 돌아가는지까지 설계해야 한다. 직무 전환과 임금 조정으로 생기는 손실, 실직 뒤 재교육과 재취업에 드는 비용을 개인에게만 떠넘기면 변화에 대한 반대는 강해진다. 호황의 재정을 고용 안전망과 이동 지원에 쓸 이유가 이 대목에서 다시 생긴다. 새로운 사람을 뽑을 여유와 기존 사람이 옮겨갈 통로를 함께 만들어야 노동시장 전체가 움직인다. ## AI의 생산성이 청년의 기회로 이어지려면 AI가 일자리를 바꾼다는 말은 기술의 능력만으로 설명되지 않는다. 대담에서 이창용이 더 구체적으로 짚는 것은 조직이 그 능력을 받아들이는 방식이다. AI를 잘 쓰는 청년이 들어와도 업무 배치와 성과 보상, 의사결정권이 연공서열에 묶여 있으면 생산성의 이익이 그 사람의 경력으로 돌아가지 않는다. 그는 청년이 윗사람에게 AI 활용법을 가르치고, 정작 성과를 설명하거나 인정받는 자리는 윗사람에게 돌아가는 상황을 예로 든다. 새로운 기술을 가진 사람에게 일을 맡기고 기여를 보상할 구조가 없으면 기업도 신입을 늘리기보다 기존 인력을 유지하면서 채용을 줄이는 쪽을 선택하기 쉽다는 설명이다. 오삼일·오영식의 [「청년고용 위축, AI 탓인가? 변화하는 경력 사다리와 대응 과제」](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845)는 국민연금 가입자 자료에서 2022년 6월–2026년 6월 청년층 일자리가 28.5만 개 감소했고, 이 중 26.8만 개가 AI 고노출 업종에 집중됐다고 분석한다. 같은 업종의 50대 일자리는 17.3만 개 늘었다. ‘감소분의 94%’는 업종별 구성비이며, AI의 인과 기여율은 아니다. 과잉 채용의 정상화, 경력직 선호와 교육훈련 약화도 이 변화에 작용할 수 있다. ![2022년 6월에서 2026년 6월까지 AI 노출도별·연령별 고용 증감](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/a03b2268-2560-42ad-9320-3888d242b623.webp) *2022년 6월 대비 2026년 6월, 단위 만 명. 국민연금 가입자 자료 기준이며 고노출은 산업별 AI 노출도 상위 두 분위. 출처: 오삼일·오영식, [BOK 이슈노트 제2026-19호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845), 7쪽 그림 5.* 해법을 더 구체적으로 만드는 것은 활용 방식의 차이다. 보고서에서 AI 자동화 비중이 높은 업종일수록 청년고용 감소가 컸지만, 인간의 업무를 보조하는 증강 비중에서는 같은 패턴이 나타나지 않았다. 활용 방식 지표는 Claude 사용자료에 기반하므로 국내 근로자의 실제 사용 비중과 동일한 값은 아니다. 그 범위에서 보더라도, AI로 업무를 없애는 설계와 사람이 더 어려운 일을 하도록 돕는 설계를 구분해야 한다는 근거가 된다. ![AI 자동화와 증강 사용 비중별 청년 취업자 수 추이](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/a7316a7b-6ff1-4fa3-bd6c-a9d3356e214c.webp) *2022년 11월=100, 계절조정. 각 활용 비중이 높은 업종일수록 4분위이며, 자동화·증강 지표는 Claude 사용자료 기반. 출처: 오삼일·오영식, [BOK 이슈노트 제2026-19호](https://www.bok.or.kr/portal/bbs/P0002353/view.do?menuNo=200433\&nttId=11063845), 9쪽 그림 7·8.* 중요한 연결은 첫 일자리와 경력의 축적이다. 입문자가 하던 업무를 자동화한 뒤 그 자리를 통째로 없애면, 다음에 필요한 숙련자가 성장할 경로도 약해질 수 있다. 조직은 AI 도입으로 절약한 시간 일부를 신입의 훈련과 더 어려운 업무로의 이동에 써야 한다. 청년에게 AI 사용법을 배우라고 요구하는 만큼, 그 능력을 쓸 자리와 보상도 바꿔야 한다. [청년의 의사결정 참여](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=5223s)에 관한 이야기는 이 논의를 끝까지 밀고 나간다. 경험이 많은 사람은 조언하고, 새로운 기술과 시장에 더 익숙한 사람이 실제 판단을 내릴 수 있어야 한다는 것이다. 회의에 청년을 앉히는 것과 예산·인사·사업 방향에 영향을 줄 권한을 주는 것 사이에는 차이가 크다. ![청년층의 정책 의사결정 참여를 말하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/f89694d0-f8e7-4735-a0f1-2267d1ab1308.webp) *경험자의 자문과 새 기술을 아는 사람의 의사결정권을 구분하는 대목. [슈카월드, 1:28:07](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=5287s)* 기술이 빠르게 바뀔수록 기수와 연차만으로 권한을 배분하는 방식의 비용도 커진다. 성과에 따른 보상, 실패 후 다시 시도할 수 있는 경로, 능력에 맞는 책임이 있어야 새로운 산업의 성과가 청년에게 돌아간다. 대담의 AI론은 이 조직의 변화까지 포함할 때 가장 설득력이 있다. ## 서비스업의 문을 열 때 전환 비용도 함께 다루기 [의료와 서비스업의 진입장벽](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=4807s)을 다루는 대목에서 이창용은 한국이 가진 기술과 인력이 새로운 산업으로 확장되지 못하는 문제를 지적한다. 송도에서 외국인 환자를 대상으로 의료서비스를 발전시키려 했던 구상, 의료 데이터의 활용, 플랫폼과 자율주행을 둘러싼 갈등을 사례로 든다. 서비스업의 생산성을 높이는 일은 반도체 성과를 경제 전반으로 연결하는 데도 중요하다. [OECD의 2024년 한국경제보고서](https://www.oecd.org/en/publications/oecd-economic-surveys-korea-2024_c243e16a-en.html)는 IT 제조업의 높은 생산성과 다른 사업서비스업의 낮은 생산성이 공존하는 모습을 보여준다. 서비스업에는 많은 사람이 일한다. 이 부문의 생산성을 높여야 더 넓은 고용과 소득으로 성과가 이어질 수 있다. ![OECD와 한국의 산업별 상대 생산성 및 고용 비중 비교](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/c1d91aef-38ae-4c07-bb02-dac0e5a3e08b.webp) *2018년 자료. 왼쪽은 각 경제의 전체 생산성 대비 산업별 생산성, 오른쪽은 고용 비중이며 모두 %. 기타 사업서비스는 주택 부문 제외. 출처: [OECD Economic Surveys: Korea 2024](https://www.oecd.org/en/publications/oecd-economic-surveys-korea-2024_c243e16a-en.html), 54쪽 Figure 3.4, OECD STAN. © OECD 2024.* OECD는 생산성 격차를 진입·퇴출과 기술 확산, 자원의 이동 문제와 연결하고 서비스업의 진입 규제도 지적한다. 제조업의 성공을 지원하는 정책에 더해, 서비스 기업이 경쟁하고 성장할 환경을 개선해야 한다는 의미다. 이 사례들에 공통으로 등장하는 것은 새 시장의 편익이 미래의 여러 사람에게 분산되고, 기존 종사자의 손실은 당장 눈앞에 집중된다는 구조다. 현재의 손실을 조직적으로 제기하는 쪽이 있는 반면, 아직 만들어지지 않은 일자리의 당사자는 협상장에 없다. 이 상태에서 논의가 반복되면 변화는 계속 뒤로 밀린다. 그가 제시하는 구체적인 발상 중 하나는 특정 도시에서 기존 택시 면허를 매입하는 등 보상책을 마련하고, 새 운송 서비스를 실험할 여건을 만드는 것이다. 세부 설계와 비용은 따져야 하지만, 기존 종사자가 변화의 비용을 모두 떠안지 않도록 하면서 실증할 공간을 만들자는 방향은 분명하다. 반도체 호황으로 생긴 재원을 구조 전환에 쓰자는 앞의 논의와 직접 연결된다. ![한 도시의 택시 면허 매입을 제안하는 이창용](https://www.readiz.com/assets/authored/f6590cdf-16fb-4d7e-881a-ce34d2cb5790/16f63dac-bb03-4c4a-b3c7-b3a48057232e.webp) *기존 택시 면허 보상과 새 운송 서비스 실증을 연결하는 제안. [슈카월드, 1:24:19](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=5059s)* 이 대목에서 이창용은 국내에서는 자율주행 시험도 하기 어렵다는 취지로 말한다. 실제 정책은 그 설명보다 진행돼 있다. 국토교통부의 [2026년 4월 28일 발표](https://www.molit.go.kr/USR/NEWS/m_71/dtl.jsp?id=95091950)에 따르면 광주 전역 500.97㎢가 도시 단위 시범운행지구로 지정됐고, 200대 규모 실증을 추진할 기업도 선정됐다. 당시 자료는 조수석에 시험운전자가 있는 실증과 앞으로의 완전 무인 전환 계획도 구분한다. 따라서 필요한 변화는 실증지구의 존재를 처음 만드는 일에서 더 나아가야 한다. 실제 운행 확대와 상용화의 조건, 사고 책임과 보험, 기존 운송사업자의 참여·보상까지 연결해야 한다. 택시 면허 매입이라는 그의 제안은 이 전환 비용의 배분 방안으로 평가할 수 있다. 의료데이터도 이미 열려 있는 제도 위에서 병목을 찾아야 한다. [보건복지부의 2025년 12월 정책심의위원회 자료](https://www.mohw.go.kr/gallery.es?act=view\&bid=0003\&list_no=379756\&mid=a10607030000\&tag=)에는 국민건강보험공단이 2014년부터, 건강보험심사평가원이 2015년부터 데이터 활용·개방 사업을 해왔다는 사실이 나온다. 국립대병원 임상데이터 연계, 심의 절차 표준화와 데이터 이용 지원 확대도 후속 과제로 제시됐다. 기존에 운영되던 활용 경로와 새로 추진하는 확대 계획을 나눠 읽어야 현재의 병목이 보인다. 이 자료에서 드러나는 과제는 기관별 데이터에 접근하고 연결하는 절차, 심의에 드는 시간, 실증을 사업으로 이어가는 조건이다. 개인정보와 의료의 질을 지키면서 이 과정을 예측 가능하게 만드는 개혁이 필요하다. 산업 전환에 돈을 쓴다면 보상만 지급하고 끝낼 것이 아니라, 새 서비스가 실제로 운영되는 데까지 제도를 정비해야 한다. ## 호황의 성과를 다음 세대의 진입 기회로 바꾸자 대담 말미에는 [퇴임 이후의 생활과 공직의 경험](https://www.youtube.com/watch?v=2hUkTmwYm3A\&t=5366s)도 나온다. 경제학 책을 읽으며 스트레스를 푼다는 이야기, 계속 공부하고 경제를 설명하는 일을 하고 싶다는 말에는 경제학자로서의 관심이 드러난다. AI 변화가 따라가기 벅차다는 자조 섞인 농담도 기술에 적응하는 부담에 대한 솔직한 표현으로 읽힌다. 공직에서의 발언이 비판받는 과정에 대한 회고는 이 인터뷰 자체를 읽는 기준도 준다. 총재 시절 판단에 대한 당사자의 설명과, 그 판단이 실제로 어떤 결과를 냈는지에 대한 평가는 각각 근거를 가지고 이어가야 한다. 이 대담의 가치는 정책 담당자가 무엇을 제약으로 보았고 어떤 비용 사이에서 선택했는지를 비교적 구체적으로 드러낸다는 데 있다. 그 설명을 따라가고 나면, 구조개혁의 우선순위도 더 선명해진다. 교육을 위해 특정 지역의 비싼 집을 사야 하는 부담을 줄이고, 기업 밖의 청년에게 들어갈 자리를 만들고, 새 기술을 쓸 줄 아는 사람에게 권한과 보상을 주어야 한다. 서비스업에서는 이미 시작한 실증과 데이터 개방이 실제 사업으로 이어지도록 절차를 정비하고, 기존 종사자의 전환 비용을 함께 감당해야 한다. 이 변화에는 오랜 시간이 걸린다. 그래서 정권이 바뀌어도 이어질 수 있는 정책의 합의가 중요하다. 변화가 곧 되돌아갈 것으로 예상되면 기업도 가계도 현재의 선택을 유지하며 기다린다. 정책의 지속성은 실행의 속도와 함께 개혁의 효과를 결정한다. **반도체 호황이 남겨야 할 것은 다음 세대가 진입할 수 있는 더 넓은 경제다.** 늘어난 소득이 기존 자산의 가격과 이미 확보한 자리의 가치만 높이는 데 쓰이면 성장의 격차는 남는다. 지금의 여유를 교육·고용·지역·산업 전환의 비용에 투입하고, 그 변화가 오래 유지될 것이라는 신뢰를 만드는 데 써야 한다. 그것이 이번 호황을 한국 경제의 다음 성장으로 연결하는 방법이다. --- --- id: "authored/7386dfbe-f10b-41ff-9705-4bb14ee1c7ec" title: "AI 투자로 늘어난 이익, 누가 회수할 돈인가" description: "AI 유료 수요와 클라우드 이익이 늘어도, 투자금 회수와 주주 수익은 별도의 시험이다. 2026년 4~6월 세 회사의 현금흐름으로 성장의 비용과 이익의 귀속을 살펴본다." kind: "record" published: "2026-10-10T14:00:56.860Z" tags: ["AI","투자","현금흐름","가치평가"] url: "https://www.readiz.com/records/ai-capex-earnings-cashflow-damodaran-20261010/" markdownUrl: "https://www.readiz.com/records/ai-capex-earnings-cashflow-damodaran-20261010/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # AI 투자로 늘어난 이익, 누가 회수할 돈인가 AI 투자의 핵심 질문이 바뀌고 있다. 유료 AI 서비스와 클라우드 매출이 커지면서, 이제는 **투입한 자본에 비해 얼마나 벌고 그중 얼마를 주주에게 돌려줄 수 있는가**가 더 중요해졌다. 수요가 늘어나는 속도와 그 수요를 감당하기 위해 돈을 쓰는 속도를 함께 봐야 한다. 이효석아카데미가 해설한 다모다란의 AI 투자 글도 이 문제를 건드린다. 영상의 경고를 현재 실적에 연결해 보면, 가장 중요한 쟁점은 기술의 성공 여부보다 성공의 대가와 이익의 귀속이다. AI 사용은 늘고, 기업 매출도 늘고, 그런데 투자자가 기대한 수익은 나오지 않는 조합이 가능하기 때문이다. [YouTube: AI 투자자들에게 다모다란 교수님이 던지는 엄중한 경고](https://www.youtube.com/watch?v=mKiplSfm_yM) ## 돈을 내는 고객은 이미 있다 수익화 근거부터 보면 생각보다 강하다. 마이크로소프트는 2026년 6월 말 종료 분기에서 Azure 등 클라우드 서비스 매출이 전년 동기보다 43% 늘었다고 발표했다. 같은 발표에서 Microsoft 365 Copilot의 유료 좌석은 3,000만 개를 넘었다. 서버를 사들이는 기업의 지출을 넘어, 업무용 AI에 돈을 지불하는 고객도 실제로 존재한다. [마이크로소프트 FY2026 4분기 실적](https://www.microsoft.com/en-us/investor/earnings/fy-2026-q4/press-release-webcast) 구글 클라우드는 매출 증가와 영업이익 개선을 동시에 보여준다. | 구글 클라우드 | 2025년 4\~6월 | 2026년 4\~6월 | | ------- | ----------: | ----------: | | 매출 | 136.24억 달러 | 247.68억 달러 | | 영업이익 | 28.26억 달러 | 88.14억 달러 | | 영업이익률 | 20.7% | 35.6% | *같은 분기·같은 사업 부문 비교. 영업이익률은 영업이익 ÷ 매출로 계산. [알파벳 2026년 2분기 실적](https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm)* {.caption} 다만 이 사업에는 일반 클라우드, Workspace, TPU 시스템 판매도 들어 있고, 일부 공통 AI 연구개발비는 사업 부문 밖에서 처리된다. 따라서 표가 입증하는 것은 클라우드 사업의 수익성 개선이다. AI만의 투자수익률을 보여주는 숫자는 아니다. 그 범위를 지키더라도, 늘어난 수요를 매출과 영업이익으로 바꾸는 사업이 나타났다는 근거로는 충분히 중요하다. [알파벳 분기보고서의 사업 구분과 비용 배분](https://www.sec.gov/Archives/edgar/data/1652044/000165204426000071/goog-20260630.htm) 이 성과는 대규모 투자가 고객의 지출로 돌아올 가능성을 높여준다. 클라우드 사업의 수익성을 긍정적으로 평가할 이유다. 이제 이익의 크기를 그 이익을 만들기 위해 투입한 돈과 비교할 차례다. ## 공급자의 이익에서 투자자의 회수까지 돈의 흐름은 서로 맞물려 있다. 인프라를 짓는 기업이 반도체·네트워크 장비·전력·데이터센터에 돈을 쓰면, 그 돈은 공급자의 매출이 된다. 인프라를 운영하는 기업은 그 위에서 클라우드와 AI 서비스를 팔거나 기존 사업의 효율을 높여 투자금을 회수한다. 마지막에는 운영비와 추가 투자, 자금 조달 비용을 감당하고 남는 몫이 주주에게 돌아온다. 공급자가 먼저 이익을 냈다는 사실은 첫 단계가 작동했다는 증거다. 인프라를 산 기업이 지출을 회수했다는 증거는 서비스의 수입과 이후의 현금흐름에서 찾아야 한다. 여러 기업이 같은 투자 사슬에 묶여 있으므로, 각자의 매출 증가를 모두 독립적인 최종 수요처럼 더해서도 안 된다. 영상의 100억 원 예시는 이 시차를 보여준다. 구매자가 서버에 100억 원을 쓰고 공급자는 원가 60억 원을 제외한 40억 원을 이익으로 얻는다. 구매자가 서버를 5년간 정액 상각한다면, 잔존가치 없이 첫해를 온전히 사용하는 단순 가정에서 그해 비용은 20억 원이다. 다른 손익과 세금을 생략하면 두 회사에 생긴 손익 효과의 합은 20억 원이지만, 구매자의 현금 지출은 이미 100억 원이다. ![설비투자 100억 원이 공급자의 이익과 구매자의 감가상각으로 나뉘는 영상 판서](https://www.readiz.com/assets/authored/7386dfbe-f10b-41ff-9705-4bb14ee1c7ec/0d6f9e94-8ad1-4aae-bbcd-f14b55af0efa.webp) *같은 투자금이 서로 다른 시점의 손익과 현금흐름으로 나타나는 가상 사례. [이효석아카데미, 6:57](https://www.youtube.com/watch?v=mKiplSfm_yM\&t=417s)* 서버가 앞으로 벌어줄 돈은 이 계산에 아직 들어오지 않았다. 그 돈을 벌 수 있어서 자산으로 기록하고 여러 해에 걸쳐 비용을 나누는 것이다. 실제 사용 기간보다 교체가 빨라지거나 수익성이 낮아지면, 처음에 기대했던 회수 기간과 남는 돈도 달라진다. 손익계산서에서 보이는 성장과 투자금의 회수 속도를 연결해서 읽어야 하는 이유다. ## 현금도 늘었지만, 설비투자는 더 빨리 늘었다 2026년 4\~6월 실적에서는 이 간격이 이미 보인다. 마이크로소프트, 알파벳, 메타 모두 영업에서 들어오는 현금이 전년 동기보다 늘었다. 동시에 현금으로 지출한 유형자산 취득액은 더 크게 증가했다. 아래에서는 세 회사의 연결 현금흐름표를 같은 방식으로 계산했다. ![마이크로소프트·알파벳·메타의 2025년과 2026년 4\~6월 영업현금흐름, 현금 설비투자, 두 항목의 차액 비교](https://www.readiz.com/assets/authored/7386dfbe-f10b-41ff-9705-4bb14ee1c7ec/af134488-21a1-488e-91dc-153b983ef7c7.webp) *2025년·2026년 4\~6월 연결 전체 실적, 십억 달러. 차액 = 영업현금흐름 − 현금 유형자산 취득액. AI 부문만의 수치가 아니며 비현금 리스 취득과 금융리스 원금 상환은 포함하지 않음. 공시를 바탕으로 직접 작성. [Microsoft](https://www.microsoft.com/en-us/investor/earnings/fy-2026-q4/press-release-webcast) · [Alphabet](https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm) · [Meta](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/)* 마이크로소프트는 영업현금흐름이 약 30% 늘었는데도 설비투자를 뺀 차액은 약 23% 줄었다. 사업에서 현금을 더 잘 벌고 있어도, 성장에 필요한 투자 규모가 더 빠르게 커지면 남는 현금이 줄어든다는 뜻이다. 이 두 현상은 동시에 일어난다. 알파벳은 해당 분기의 유형자산 취득액이 영업현금흐름을 넘어섰다. 최근 12개월로 합친 공시상 잉여현금흐름은 532.73억 달러의 흑자다. 현재 사업의 현금 창출력이 강한 가운데 분기 투자 지출이 앞서 나간 상황으로 읽는 것이 맞다. 기존 사업에서 번 돈을 미래 설비로 옮기는 속도가 빨라졌고, 그만큼 새 설비가 벌어야 할 돈도 커졌다. [알파벳의 분기·최근 12개월 현금흐름](https://www.sec.gov/Archives/edgar/data/1652044/000165204426000066/googexhibit991q22026.htm) 또 이 차액이 곧바로 주주가 자유롭게 가져갈 돈은 아니다. 메타는 금융리스 원금 상환까지 차감한 별도의 잉여현금흐름을 공시한다. 위 차트의 2026년 차액은 17.46억 달러이고, 메타가 발표한 잉여현금흐름은 7.84억 달러다. 설비를 현금으로 샀는지 리스로 확보했는지까지 봐야 실제 부담이 드러난다. [메타의 잉여현금흐름 계산](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/) 투자를 줄이면 당장 이 차액은 좋아질 수 있다. 그러나 그 때문에 미래 매출을 놓친다면 기업가치가 좋아졌다고 할 수 없다. 지금의 현금 감소를 감수할 만한지는 새로 투입한 자본이 앞으로 만들어낼 추가 현금으로 판단해야 한다. 결국 논점은 투자 규모 자체가 아니라 그 돈의 생산성으로 돌아온다. ## AI가 성공해도 누구나 같은 수익을 얻지는 않는다 가장 생각할 만한 경우는 AI가 널리 쓰이고 매출도 커지지만, 인프라에 들어간 자본이 충분한 수익을 내지 못하는 상황이다. 기술이 유용할수록 사용량은 늘 수 있다. 동시에 경쟁 때문에 서비스 가격이 내려가고, 성능 경쟁을 따라잡느라 계속 새 장비를 사야 한다면 늘어난 매출의 상당 부분이 비용과 재투자로 빠져나간다. ![AI의 사업적 성공과 투자자의 자본수익률을 구분하는 세 가지 시나리오](https://www.readiz.com/assets/authored/7386dfbe-f10b-41ff-9705-4bb14ee1c7ec/2731cd9a-fe54-4289-ae5a-61f6146d485e.webp) *수요가 늘어도 자본수익률이 충분하지 않을 수 있다는 중간 시나리오. 실제 실적이나 전망치가 아닌 조건별 비교. [이효석아카데미, 10:07](https://www.youtube.com/watch?v=mKiplSfm_yM\&t=607s)* 이때 기술이 만든 가치는 사라지는 것이 아니라 다른 곳에 남을 수 있다. 경쟁으로 가격이 내려가면 사용 기업과 소비자가 이득을 얻는다. 생산성을 높인 사용 기업이 경쟁에서 가격을 유지하면 그 기업의 이익이 늘어난다. 반도체 공급자가 높은 마진을 유지하면 공급자에게 더 큰 몫이 돌아간다. 같은 AI 성장에 노출돼 있어도, 각 기업이 돈을 받는 위치와 다음 경쟁을 위해 다시 써야 할 돈은 다르다. 그래서 인프라 공급자, 인프라 운영자, AI를 활용하는 기업을 한 덩어리로 평가하기 어렵다. 지금 판매대금을 받는 기업과 몇 년 뒤 회수할 돈을 위해 설비를 쌓는 기업에는 다른 질문을 해야 한다. 전자는 고객의 투자 지출이 얼마나 지속될지가 중요하고, 후자는 가동률·가격·운영비·교체 주기가 투자금 회수에 어떤 영향을 주는지가 중요하다. 잘 풀리는 경우도 분명하다. 기존 설비의 활용도가 높아지고, 고객에게서 받는 돈이 추가 비용보다 빠르게 늘며, 경쟁 속에서도 이익을 지킬 수 있다면 먼저 감수한 투자는 높은 수익으로 돌아온다. 앞에서 본 유료 좌석과 클라우드 이익의 증가는 그 가능성을 지지한다. 다음 증명의 대상은 그 성과가 누적된 투자액에 비해서도 충분한지다. ## 주가에는 회수 속도와 자본의 비용까지 들어 있다 장비를 사고 고객을 늘리는 동안에도 자본에는 비용이 든다. 다모다란은 2026년 9월 말 미국 10년 국채금리 5.29%를 제시하면서, 당시 주가와 예상 현금흐름으로 역산한 주식 기대수익률을 8.99%로 추정했다. 두 값의 차이는 3.70%포인트다. 이것은 실현 수익률 예고가 아니라 그의 현금흐름 가정에 따른 시장 전체의 추정치다. 금리가 높아진 상태에서는 같은 미래 이익이라도 늦게 회수할수록 현재 가치가 더 크게 깎인다. [다모다란, 2026년 10월 8일 원문](https://aswathdamodaran.substack.com/p/earnings-cashflows-and-stock-prices) 좋은 사업도 이미 가격에 반영된 기대를 넘어서야 좋은 투자 수익으로 이어진다. 성장률이 높은 기업이 계속 막대한 자본을 투입해야 한다면, 적은 추가 비용으로 매출을 늘리던 시기의 가치평가를 그대로 적용하기 어렵다. 이익의 크기뿐 아니라 그 이익을 만들기 위해 묶이는 자본과 회수에 걸리는 시간이 달라졌기 때문이다. 현재 실적에서 AI의 수익화 진전은 긍정적으로 평가할 만하다. 동시에 현금흐름표는 그 성장이 훨씬 많은 자본을 요구하고 있음을 보여준다. **성장률에 높은 점수를 주되, 투자 후 남는 현금과 자본수익률에도 같은 점수를 미리 주어서는 안 된다.** 지금 AI 투자를 가르는 기준은 누가 가장 크게 성장하느냐에서, 누가 그 성장을 주주에게 남는 돈으로 바꾸느냐로 옮겨가고 있다. --- --- id: "authored/fff0dc7d-f914-4c81-95b6-33b1a174c323" title: "금값을 누르는 고금리가 미국 재정도 압박한다" description: "금리 상승이 금의 기회비용과 미국의 차환 비용을 함께 키우는 구조를 살펴본다. 금 ETF 수급, 재무부 발행 계획, CBO 전망으로 재정지배와 금의 보유 이유를 연결한다." kind: "record" published: "2026-10-10T11:34:01.017Z" tags: ["금","금리","국가부채","투자"] url: "https://www.readiz.com/records/gold-rates-us-fiscal-pressure/" markdownUrl: "https://www.readiz.com/records/gold-rates-us-fiscal-pressure/index.md" recordFolder: "경제·금융/재정·연금" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%9E%AC%EC%A0%95%C2%B7%EC%97%B0%EA%B8%88" --- # 금값을 누르는 고금리가 미국 재정도 압박한다 금값을 누르는 고금리는 미국 정부에도 비용이다. 금을 보유한 사람은 이자를 포기하고, 미국 정부는 만기가 돌아오는 빚을 더 비싼 금리로 다시 빌려야 한다. 지금은 금리의 매력이 금을 압박하지만, 높은 금리가 오래 유지될수록 정부가 그 금리를 감당하는 문제도 커진다. 금의 단기 약세와 장기 보유 이유가 같은 고금리에서 나올 수 있는 것이다. 박종훈의 지식한방은 이 연결을 ‘연준의 항복’이라는 표현으로 풀어낸다. 이 영상에서 눈여겨볼 부분은 금값 반등의 날짜보다, 물가를 잡으려는 통화정책과 이자를 감당해야 하는 재정이 충돌하는 구조다. 그 충돌에 대비한다는 관점에서 금을 보면, 가격이 떨어졌다는 사실만으로 보유 이유가 사라지지는 않는다. [YouTube: 금락한 금값, 연준이 항복할 때 오른다 — 박종훈의 지식한방](https://www.youtube.com/watch?v=6M3_5AFWPXk) ## 금은 누군가의 상환 능력에 기대지 않는다 예금은 은행에 대한 청구권이고, 국채는 정부가 원금과 이자를 지급하겠다는 약속이다. 금 실물은 그 약속의 상대방이 없다. 기업이 이익을 내거나 정부가 세금을 걷어야 금 자체가 존속하는 것도 아니다. 자산의 일부를 발행자의 상환 능력에서 떼어 놓을 수 있다는 점이 금의 역할이다. ![예금과 채권의 상환 약속, 금 실물의 무이자·가격 변동·보관 특성을 비교하는 영상 장면](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/67f6a692-3f0e-4259-9ed4-98012b826072.webp) *발행자가 없는 금 실물의 성격과 보유 비용을 설명하는 장면. [원영상 16:33](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=993s)* 그 역할에는 비용이 붙는다. 금은 이자나 배당을 주지 않고, 보관에도 돈이 든다. 물가를 감안하고도 높은 이자를 받을 수 있는 자산이 있다면 금을 들고 기다리는 기회비용이 커진다. 금 실물에 발행자 위험이 없다는 설명을 ETF나 선물의 보관·운용·계약 구조까지 그대로 확장해서도 안 된다. 어떤 방식으로 보유하는지에 따라 부담하는 위험이 달라진다. 2026년 9월에는 이 기회비용이 실제 시장을 압박했다. 세계금협회에 따르면 달러 표시 금 가격은 한 달간 8.5% 내려 온스당 4,176달러로 마감했다. 같은 기간 미국 10년물 국채 금리는 0.53%포인트 올라 5.3%에 이르렀고, 달러지수는 2% 상승했다. 금리와 달러 강세를 주요 하락 요인으로 보는 협회의 분석은, 현금을 보유해 얻을 수 있는 수익이 금과 경쟁한다는 설명과 맞닿아 있다. [세계금협회, 2026년 9월 시장 분석](https://www.gold.org/goldhub/research/gold-market-commentary-september-2026) ## 가격이 내려가는 동안에도 금을 사는 돈은 들어왔다 그런데 같은 달 실물 금을 보유하는 ETF에는 100억 달러가 순유입됐고, 보유량도 67톤 늘었다. 3분기 전체 순유입은 310억 달러로 분기 기준 사상 최대였다. 반면 COMEX 선물에서 자산운용자 등의 순매수 포지션은 9월에 금 84톤에 해당하는 규모만큼 줄었다. ETF 보유량은 9월 30일, 선물 포지션은 9월 29일 자료다. [세계금협회, 2026년 9월 ETF 보고서](https://www.gold.org/goldhub/research/gold-etfs-holdings-and-flows/2026/10) ![중앙은행의 2분기 금 매입과 3분기 ETF 유입, 9월 보유량 증가를 설명하는 영상 장면](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/243fad28-2c8d-4f78-9292-558744364289.webp) *중앙은행 매입은 분기별, ETF 유입은 3분기, 보유량 증가는 9월 자료다. 서로 다른 기간의 수치를 구분해 읽어야 한다. [원영상 21:37](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=1297s)* ETF의 실물 보유량 변화와 선물의 순포지션 변화는 서로 다른 지표다. 두 숫자를 빼서 금값 하락의 원인을 계산할 수는 없다. 여기서 읽을 수 있는 것은 **금을 보유하려는 수요와 가격을 누르는 포지션 축소가 함께 나타났다는 사실**이다. 금을 담으려는 투자자가 있어도, 그 시점에 매수자를 만나는 가격은 더 낮아질 수 있다. 중앙은행의 매입도 이어졌다. 세계금협회의 2분기 보고서에서 2026년 1분기 순매입은 수정치 기준 57톤, 2분기는 약 289톤이다. 같은 보고서는 일부 국가가 유동성 확보 등을 위해 금을 매도한 사례도 다룬다. 중앙은행이라는 이름만으로 항상 같은 방향의 거래를 하는 것은 아니지만, 민간 시장의 가격 조정과 별개로 준비자산에 금을 담는 수요는 확인된다. [세계금협회, 2026년 2분기 중앙은행 수요](https://www.gold.org/goldhub/research/gold-demand-trends/gold-demand-trends-q2-2026/central-banks) 이 구분이 필요한 이유는 금값 하락을 곧바로 금의 역할 소멸로 읽지 않기 위해서다. 가격은 지금 자금을 배분하는 사람들의 선택을 반영한다. 준비자산이나 장기 분산 자산으로 금을 보유하는 이유는 그보다 긴 시간에 걸쳐 작동한다. ## 금리를 올리면 미국 정부도 새 이자를 내야 한다 연준의 긴축은 실제로 진행됐다. 2026년 9월 16일 FOMC는 정책금리 목표 범위를 0.25%포인트 올려 3.75\~4.00%로 정했다. 재정 부담이 이미 존재하는 상황에서도 물가를 이유로 금리를 올린 것이다. [연준, 9월 FOMC 성명](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm) ![연준의 긴축 관련 발언과 9월 실제 금리 인상을 시간순으로 구분한 영상 연표](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/4344427e-c6a6-49c3-b635-dd0baba2e5ba.webp) *정책 발언과 실제 인상을 구분해 금값 하락을 설명하는 발표자의 연표. [원영상 24:46](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=1486s)* 그 비용이 재정에 전달되는 통로는 차환이다. 이미 발행한 고정금리 국채의 이자가 정책금리 인상과 동시에 바뀌지는 않는다. 만기가 돌아와 새 채권을 발행하거나, 적자를 메우기 위해 추가로 돈을 빌릴 때 당시의 시장금리가 붙는다. 만기가 짧은 부채일수록 이 교체가 빨리 반복된다. 높은 금리가 지속되면 과거의 낮은 금리로 빌린 빚이 줄어들고, 비싼 이자를 내는 빚이 쌓인다. ![단기 국채의 빠른 금리 재반영과 정부 이자 부담을 연결하는 영상 도표](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/f45cad81-0e95-451a-b440-bed4a22ff618.webp) *짧은 만기가 금리 변화를 재정에 전달하는 경로. 오른쪽 670억 달러는 영상의 잔액 6.7조 달러 전체에 1%포인트 높은 금리가 적용된다는 단순 계산이다. [원영상 27:30](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=1650s)* 영상은 이 대목에서 미국이 장기채 발행을 사실상 중단하고 단기채에 의존한다고 설명한다. 실제 발행 계획에는 장기채도 남아 있다. 미 재무부의 8월 5일 발표는 10년물 420억 달러, 30년물 250억 달러 발행을 포함한다. 따라서 논점은 장기채의 소멸이 아니라, **어떤 만기의 부채가 얼마만큼 새 금리로 바뀌느냐**에 있다. [미 재무부, 2026년 8월 차환 계획](https://home.treasury.gov/news/press-releases/sb0590) 재무부의 국채 바이백도 이 맥락에서 구분해야 한다. 재무부는 장기물 시장의 유동성을 지원하기 위해 특정 구간의 회당 바이백 규모를 확대했다. 이는 기존 채권을 사들이는 부채 관리 작업이다. 새 국채 발행으로 그 자금을 조달하면 정부의 채무가 그만큼 순감소하는 것은 아니며, 연준이 자산을 매입해 통화정책을 완화하는 양적완화와도 주체와 작동 방식이 다르다. [미 재무부, 8월 19일 바이백 확대 발표](https://home.treasury.gov/news/press-releases/sb0607) 미국 재정에 부담을 주는 조합은 계속되는 적자와 높은 차환 금리다. 적자가 원금을 늘리고, 차환이 평균 이자율을 끌어올리면, 이자를 지급하기 위해 필요한 차입까지 다시 늘어난다. 금 보유자가 포기하는 이자와 미국 정부가 지급하는 이자가 같은 금리 환경에서 함께 커진다. ## 이자 부담은 같은 해의 수입과 비교해야 한다 영상은 늘어나는 이자 부담을 연도별 금액으로 보여준다. 여기에 경제 규모와 정부 수입이라는 분모를 붙이면, 그 비용이 재정에서 차지하는 무게를 읽을 수 있다. ![2025년 이자지출과 2026년·2036년 전망을 비교한 영상 장면](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/144f15ac-ec4a-4c50-bc66-958a446521cd.webp) *연도별 이자비용 비교. 2026·2036년 수치는 CBO의 2026년 2월 전망이며, 현재 금리와 비교해 비용이 더 늘 것이라는 판단은 발표자의 해석이다. [원영상 29:49](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=1789s)* 미 의회예산국(CBO)의 2026년 2월 전망은 이 압박을 보여준다. 당시 법률과 경제 가정을 적용한 기준 전망에서 순이자지출은 2026회계연도 GDP의 3.3%에서 2036회계연도 4.6%로 늘어난다. 이자를 제외한 기초재정적자는 같은 기간 GDP의 2.6%에서 2.1%로 줄어도 전체 적자는 커진다. 이자 부담이 재정 개선의 효과를 잠식하는 구조다. ![미국의 전체 재정적자와 순이자지출, 기초재정적자의 과거 추이 및 2036년까지 전망](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/39b1469a-b13f-4d4b-8b91-efa149898513.webp) *CBO의 2026년 2월 전망, 그림 1-1. 단위는 GDP 대비 %. 2026\~2036년은 전망치이며, 기초재정적자는 이자지출을 제외한 적자다. 자료: CBO·미 관리예산실. [원자료](https://www.cbo.gov/publication/62105)* | CBO 기준 전망 | 2026회계연도 | 2036회계연도 | | ------------------ | -------: | -------: | | 순이자지출 / GDP | 3.3% | 4.6% | | 연방 수입 / GDP | 17.5% | 17.8% | | 순이자지출 / 같은 해 연방 수입 | 약 19% | 약 26% | *마지막 행은 위 두 비율을 나눈 근삿값이다. 반올림된 원자료로 계산했다. [CBO, 2026\~2036년 예산·경제 전망](https://www.cbo.gov/publication/62105)* 영상 후반은 더 높은 금리를 가정한 미래 이자비용 2.5조 달러를 현재의 약 5조 달러 세수와 비교한다. 재정 압박의 방향을 설명하려면 미래 수입도 같은 시점으로 맞춰야 한다. CBO의 2036년 전망에서는 순이자지출이 연방 수입의 대략 4분의 1이다. 2.5조 달러는 영상의 별도 가정이고, 위 표는 CBO의 기준 전망이다. 여기서 중요한 것은 이미 이자가 수입의 절반에 이르렀다는 인상이 아니다. **같은 기준으로 비교해도 수입에서 이자가 차지하는 몫이 커지고, 정책에 쓸 수 있는 여력이 줄어든다.** 2월에 작성된 이 전망은 9월 금리 인상을 반영한 새 추정치가 아니지만, 부채가 누적될 때 이자비용이 재정을 어떻게 압박하는지 보여준다. ## ‘연준의 항복’은 물가보다 재정이 앞서는 순간이다 영상은 재정 부담 때문에 연준이 필요한 금리 인상을 끝까지 밀어붙이지 못하는 상태를 재정지배라고 설명한다. 금리를 높여 물가를 잡으려는데, 그 금리가 정부의 이자 부담과 국채시장 불안을 키워 통화정책의 선택을 제약하는 것이다. ![재정지배를 인정하는 시점과 금값의 반등을 연결하는 발표자의 전망](https://www.readiz.com/assets/authored/fff0dc7d-f914-4c81-95b6-33b1a174c323/404b85cd-61e2-4dc7-81bd-5fe87c269686.webp) *재정 부담이 통화정책을 제약할 것이라는 박종훈의 전망. 화면의 반등 시점에 대한 단정도 발표자의 주장이다. [원영상 32:46](https://www.youtube.com/watch?v=6M3_5AFWPXk\&t=1966s)* 이 시나리오에서 금을 지지하는 연결고리는 물가가 충분히 내려오지 않았는데도 재정과 금융시장을 위해 금리를 억제하는 정책이다. 물가에 비해 이자가 낮아지면 통화를 보유해 지킬 수 있는 구매력이 약해지고, 발행자의 지급 약속에서 벗어난 자산의 매력이 커진다. 시장은 실제 정책 전환보다 먼저 그 가능성을 가격에 반영할 수도 있다. 판단을 바꿀 경로도 구체적이다. 생산성 향상으로 물가 압력이 완화되고 세입 기반이 커지거나, 세입·지출 조정으로 차입 필요가 줄어들면 연준은 물가 안정과 재정 부담 사이에서 선택을 강요받는 정도가 약해진다. 9월 성명이 언급한 견조한 경제활동과 생산성 증가는 이 경로를 검토할 근거다. 동시에 실제 금리 인상은 재정 부담만으로 긴축의 종료 시점을 정할 수 없다는 것을 보여준다. [연준의 9월 판단](https://www.federalreserve.gov/newsevents/pressreleases/monetary20260916a.htm) 그래서 금을 보유하는 논리는 미국의 생산성과 기업 이익에 투자하는 논리와 함께 놓을 수 있다. 성장의 성과는 주식 등 생산적 자산에서 얻고, 재정 압박이 통화의 구매력으로 전가되는 위험은 금으로 나누는 것이다. 금에 모든 기대를 몰기보다 무엇을 맡길 자산인지 정하면, 이자를 받지 못하는 비용과 가격 변동도 그 역할에 비춰 평가할 수 있다. 한국에서의 보유 성과에는 환율도 들어간다. 비용과 국내 가격 차이를 제외하면 원화 금 가격은 달러 금 가격에 원·달러 환율을 곱한 값이다. 달러 기준의 금값 변화와 원화 기준의 내 수익률을 구분해야 하는 이유다. 금의 장기 보유 근거는 이 충돌에 있다. 고금리는 당장 금을 들고 있을 비용을 높이고, 시간이 흐르면 부채가 많은 정부의 정책 여력을 갉아먹는다. 적자와 차환 부담이 누적되는 동안 자산의 일부를 정부의 지급 약속 밖에 두는 선택에는 의미가 있다. 금은 그 역할을 맡는 자산이다. --- --- id: "authored/2a210ab4-3da8-481a-b243-f5df9c42f05f" title: "고금리의 충격은 빚의 만기를 따라온다" description: "고금리는 대출의 금리 갱신과 회사채 차환을 거쳐 소비와 기업 이익을 압박한다. 한국과 미국의 부채 구조, 한국은행 통계와 연준 자료로 이 충격이 서로 다른 속도로 전달되는 이유를 살펴본다." kind: "record" published: "2026-10-09T14:04:51.930Z" tags: ["금리","투자","경제"] url: "https://www.readiz.com/records/high-rates-debt-maturity-korea-us-20261009/" markdownUrl: "https://www.readiz.com/records/high-rates-debt-maturity-korea-us-20261009/index.md" recordFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # 고금리의 충격은 빚의 만기를 따라온다 저금리 때 묶어 둔 대출 계약은 미국 가계와 기업이 고금리를 견디는 힘이다. 시장금리가 오른 뒤에도 고정금리 계약이 남아 있으면 기존 이자 비용은 유지된다. 새 금리가 이자 청구서에 찍히기까지 시간이 걸리는 셈이다. 박종훈의 지식한방이 다룬 한미 증시의 차이에서 핵심은 이 시차다. 한국은 변동금리 대출과 짧은 자금 조달 주기를 통해 금리 부담이 빠르게 들어오고, 미국은 장기 고정금리 계약이 시간을 벌어 준다. **고금리가 오래갈수록 싼 금리로 빌린 계약은 하나씩 만기를 맞고, 새 이자 비용이 소비와 기업 이익을 압박한다.** 미국 증시가 버티고 있다는 사실만 보고 금리 부담이 지나갔다고 안심하기 어려운 이유다. [YouTube: 사상 최고 찍은 미국 증시, 한국은 왜 먼저 꺾였나? (박종훈의 지식한방)](https://www.youtube.com/watch?v=HguDflS-lkE) ## 좋은 실적 다음에 들어올 비용 삼성전자는 2026년 10월 8일 매출 195조 원, 영업이익 107.4조 원의 3분기 연결 잠정 실적을 발표했다. 영상은 이 실적과 같은 날의 코스피 하락을 나란히 놓는다. 많이 벌었는데 주가는 왜 떨어질까? [삼성전자 공식 발표](https://news.samsung.com/kr/%EC%82%BC%EC%84%B1%EC%A0%84%EC%9E%90-2026%EB%85%84-3%EB%B6%84%EA%B8%B0-%EC%9E%A0%EC%A0%95%EC%8B%A4%EC%A0%81-%EB%B0%9C%ED%91%9C) 주가에는 앞으로 벌 돈의 가치가 들어간다. 이번 분기 이익이 커도, 다음 분기부터 조달 비용이 늘고 고객의 소비 여력이 줄면 미래 이익에 대한 평가는 달라진다. 금리 상승은 이익을 현재 가치로 환산할 때 적용하는 할인율에도 영향을 준다. 기업 실적과 금리는 이렇게 같은 가격 안에서 만난다. 영상의 비교 화면에서 코스피는 6월 22일 고점 부근부터 10월 8일까지 약 27% 하락했다. 연초 대비로는 약 57% 오른 상태였다. 상반기에 크게 높아졌던 기대가 이후 빠르게 낮아진 구간이다. 미국과 한국의 차이를 이해하려면 이 기대 변화에 실제 비용이 어떤 속도로 따라붙는지를 봐야 한다. ![2026년 6월 22일 이후 코스피와 나스닥, 대만 가권, 닛케이의 변화를 비교한 영상 화면](https://www.readiz.com/assets/authored/2a210ab4-3da8-481a-b243-f5df9c42f05f/56a81e67-a8a3-45fe-b0f1-239cf06cf5a0.webp) *영상이 제시한 지수 비교. 코스피는 10월 8일, 다른 지수는 10월 6일 기준이며 연초 수익률과 구분. [박종훈의 지식한방, 1:06](https://www.youtube.com/watch?v=HguDflS-lkE\&t=66s)* 시장 가격은 전망이 바뀌면 바로 움직인다. 이자 비용은 계약이 바뀌는 순서대로 들어온다. 두 속도가 다르기 때문에 주가가 오르는 동안에도 앞으로 지급할 이자가 늘어날 수 있다. 이 간격을 만드는 것이 금리 갱신 주기와 부채 만기다. ## 한국 가계에는 금리 갱신일이 먼저 온다 30년 동안 같은 금리를 내는 대출과, 원금은 30년에 걸쳐 갚되 이자는 6개월마다 바뀌는 대출은 가계에 전혀 다른 부담을 준다. 원금을 언제까지 갚느냐만큼 이자가 언제 다시 정해지느냐가 중요하다. 기존의 장기 고정금리 대출을 가진 미국 가계는 시장금리가 올라도 대출의 월 원리금 상환액이 유지된다. 한국의 변동금리 차주는 다음 금리 조정일부터 늘어난 이자를 부담한다. 소득이 그대로라면 이자에 더 쓰는 만큼 소비나 저축에 쓸 돈이 줄어든다. 일정 기간 뒤 변동금리로 바뀌는 혼합형과 몇 년마다 금리를 다시 정하는 주기형도 갱신일이 돌아오면 새 금리에 노출된다. ![미국의 장기 고정금리 주택대출과 한국의 금리 갱신 구조를 비교한 영상 화면](https://www.readiz.com/assets/authored/2a210ab4-3da8-481a-b243-f5df9c42f05f/6149ed5e-beb2-4393-b05b-05a6a3362467.webp) *대출의 최종 만기와 금리 갱신 주기를 구분한 설명. 화면의 수치는 영상 제시값. [박종훈의 지식한방, 16:24](https://www.youtube.com/watch?v=HguDflS-lkE\&t=984s)* 2025년 IMF 연구진의 국가 간 분석에서도 고정금리 주택담보대출 비중이 높은 경제는 통화정책이 주요 거시변수에 미치는 영향이 약했다. 과거에 쌓인 대출 계약이 오늘의 금리 인상 효과를 바꾼다는 설명이다. [IMF Working Paper, 2025/024](https://www.imf.org/en/publications/wp/issues/2025/01/24/long-term-debt-and-short-term-rates-fixed-rate-mortgages-and-monetary-transmission-560270) 한국은행의 2026년 8월 잠정 통계에서 예금은행 가계대출의 변동금리 비중은 신규취급액 기준 76.5%, 잔액 기준 57.3%다. 앞의 수치는 그달 새로 취급한 대출, 뒤의 수치는 월말에 남아 있는 대출을 분모로 삼는다. 기존 가계대출 잔액의 절반 이상이 변동금리이고, 새로 취급하는 대출에서도 그 비중이 높다. ![2026년 8월 예금은행 가계대출과 주택담보대출의 신규취급액 및 잔액 기준 고정금리·변동금리 비중](https://www.readiz.com/assets/authored/2a210ab4-3da8-481a-b243-f5df9c42f05f/aeb51a14-3272-4291-b720-28e4abe8eb80.webp) *2026년 8월 잠정치, 예금은행 기준. 변동금리는 100에서 고정금리 비중을 뺀 값. [한국은행 통계표 14\~16쪽](https://www.bok.or.kr/portal/bbs/B0000501/view.do?menuNo=200690\&nttId=11065098)의 수치로 직접 작성* 이 구조에서는 금리 갱신일이 돌아오는 가계부터 지출을 조정하게 된다. 고금리가 이어질수록 그 부담을 실제로 겪는 차주가 늘어난다. 한국 가계의 소비 여력이 금리 변화에 민감한 이유가 여기에 있다. 미국에는 신규 대출과 이사가 같은 역할을 한다. 예전 금리로 집을 보유하던 사람이 이사하면서 새 대출을 받으면 현재 금리를 적용받는다. 연준에 실린 Daniel Ringo의 연구는 이런 신규 대출과 차환이 누적되면서 전체 주택대출 상환 부담에 금리 변화가 전달되는 과정을 설명한다. 한국에서는 기존 대출의 금리 갱신이, 미국에서는 새 대출로의 교체가 고금리를 가계의 지출로 옮긴다. [연준 연구, 2024](https://www.federalreserve.gov/econres/feds/inframarginal-borrowers-and-the-mortgage-payment-channel-of-monetary-policy.htm) ## 미국 기업은 긴 만기와 이익으로 시간을 벌었다 기업도 저금리 때 발행한 고정금리 회사채가 남아 있으면 기존 이자 비용을 유지할 수 있다. 시장금리가 높아진 뒤에도 과거의 조달 조건으로 사업을 이어가는 것이다. 만기가 돌아와 새 채권을 발행할 때 현재의 금리가 비용에 반영된다. 영상은 미국 기업의 장기 조달과 대형 기술기업의 현금 보유를 증시의 버팀목으로 제시한다. 이 구조는 이익이 잘 나는 기업에 특히 유리하다. 과거에 낮은 금리로 확보한 자금을 쓰면서 이익이 늘면, 더 비싼 돈을 급하게 빌릴 필요가 줄고 만기 때 선택할 수 있는 대응도 많아진다. ![미국 기업의 장기 회사채와 기업 규모별 변동금리 부채 차이를 설명한 영상 장면](https://www.readiz.com/assets/authored/2a210ab4-3da8-481a-b243-f5df9c42f05f/92912493-b14f-4c20-aa5a-7af80f815b7d.webp) *장기 조달과 현금 보유를 미국 기업의 버팀목으로 제시한 장면. 기업군별 수치는 영상 인용 자료. [박종훈의 지식한방, 18:24](https://www.youtube.com/watch?v=HguDflS-lkE\&t=1104s)* 연준의 2026년 7월 통화정책보고서는 당시 대기업의 자본시장 조달 여건이 대체로 양호했고, AI 인프라 투자를 위한 채권 발행도 활발했다고 설명한다. 기업 실적과 AI 기대도 미국 주식의 강세에 기여했다. 반면 소기업의 자금 조달은 상대적으로 제약돼 있었다. [연준 통화정책보고서, 2026년 7월](https://www.federalreserve.gov/monetarypolicy/2026-07-mpr-part1.htm) 이 차이는 만기와 현금흐름이 함께 작동한다는 것을 보여 준다. 이익이 잘 나고 장기로 조달할 수 있는 기업은 고금리를 견딜 시간이 길다. 변동금리 차입이 많고 조달 선택지가 좁은 기업은 늘어난 이자를 먼저 부담한다. 미국 지수가 버티는 동안에도 기업별 이자 부담은 서로 다른 속도로 커질 수 있다. ## 추가 인상이 없어도 이자 부담은 커진다 여기서 중요한 것은 고금리가 지속되는 기간이다. 금리가 더 오르지 않아도, 만기가 돌아온 저금리 부채를 현재의 높은 금리로 바꾸면 이자는 늘어난다. 시장금리가 멈춰 있는 동안에도 기업의 평균 조달 비용은 뒤늦게 올라갈 수 있다. 연준 연구진의 2024년 기업 부채 분석은 이 과정을 시나리오로 보여 준다. 아래 검은 점선의 기본 시나리오에서는 이익이 거의 유지되는 동안 만기 채권의 차환을 통해 이자 비용이 꾸준히 늘어난다. 기존 계약이 끝나는 순서대로 고금리가 손익계산서에 들어오는 모습이다. ![미국 비금융 상장기업의 분기 이자 비용과 이익에 대한 연준 연구의 세 가지 시나리오](https://www.readiz.com/assets/authored/2a210ab4-3da8-481a-b243-f5df9c42f05f/acfae271-55fc-4dc3-b1fc-1e9f647f5492.webp) *2024년에 계산한 시나리오. 파란 영역은 2023년 4분기\~2026년 3분기 추정 구간, 단위는 분기당 십억 달러. [연준 연구, 그림 3](https://www.federalreserve.gov/econres/notes/feds-notes/stress-testing-the-corporate-debt-servicing-capacity-a-scenario-analysis-20240509.html). 자료: Compustat·Capital IQ·Moody’s Analytics·Mergent’s FISD·S\&P Ratings 및 연구진 계산* 이자 비용이 늘어난 만큼을 이익 증가로 채우지 못하면 기업에 남는 돈이 줄어든다. 배당과 투자, 부채 상환에 쓸 수 있는 여력도 함께 줄어든다. 같은 연구에서 신용도가 낮은 기업이 특히 취약한 이유는 변동금리 부채 비중이 높고 고정금리 부채의 만기도 짧기 때문이다. 비용을 먼저 맞으면서 경기 둔화에 따른 이익 감소에도 더 크게 노출된다. 따라서 만기 일정은 이익과 함께 읽어야 한다. 차환 금리가 내려가거나 이익이 충분히 늘면 추가 부담을 흡수할 수 있다. **고금리가 유지되고 이익 증가가 그 비용을 따라가지 못하는 기업에서는, 시간이 흐를수록 차환 부담이 현금흐름을 잠식한다.** 지금의 이익이 좋아 보이는 기업도 만기 이후에 얼마를 남길지가 달라지는 이유다. ## 한국의 조정에서 미국의 차환 부담을 읽는다 영상 후반은 한국의 짧은 금리 갱신 주기와 기업 자금 조달 만기에 중간재 수출과 외국인 자금 흐름을 더한다. 해외 고객의 재고 조정이 주문 감소로 전달되고 외국인 매도가 겹치면, 한국 증시는 여러 경로의 압력을 빠르게 받는다는 설명이다. [원본 영상 후반부](https://www.youtube.com/watch?v=HguDflS-lkE\&t=1312s) 한국과 미국을 잇는 공통점은 과거의 싼 돈이 현재의 비싼 돈으로 교체된다는 점이다. 한국에서는 짧은 금리 갱신 주기를 통해, 미국 기업에서는 장기 채권의 만기가 돌아오는 순서대로 그 부담이 들어온다. 시장의 회복력은 새 금리가 적용된 뒤에도 소비와 이익을 얼마나 유지할 수 있느냐에 달려 있다. 미국은 장기 계약과 강한 기업 이익으로 시간을 벌었다. 그 시간 동안 금리가 높은 수준에 머물면 저금리 계약의 보호 효과는 만기와 함께 줄어든다. 새 이자 비용을 내고도 이익을 늘리는 기업은 버팀목을 유지한다. 차환 비용을 감당하느라 현금흐름이 줄어드는 기업은 과거와 같은 평가를 받기 어려워진다. **지금의 미국 증시 강세를 근거로 고금리 부담을 가볍게 보는 낙관에는 동의하기 어렵다.** 금리가 높은 채로 시간이 흐르는 국면은, 만기가 짧고 이익이 정체된 기업에 점점 불리해지는 국면이다. 지금은 저금리 계약이 끝난 뒤에도 남는 이익을 기준으로 기업을 평가할 구간이다. --- --- id: "authored/ef32c39c-6244-491e-94e9-9af6a604068c" title: "돈의 가치는 떨어지는데, 돈 빌리는 값은 오른다" description: "저축자를 자산시장으로 밀어낸 저금리, 싼 돈에 먼저 접근한 사람의 이점, 달라진 차입 조건. 과거의 투자 성공을 재현하려면 무엇을 사는지뿐 아니라 끝까지 보유할 자금 조건을 봐야 한다." kind: "record" published: "2026-10-08T17:37:21.421Z" tags: ["경제","금리","자산","투자"] url: "https://www.readiz.com/records/money-value-borrowing-cost-and-real-wealth/" markdownUrl: "https://www.readiz.com/records/money-value-borrowing-cost-and-real-wealth/index.md" recordFolder: "경제·금융/금리·통화정책" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EA%B8%88%EB%A6%AC%C2%B7%ED%86%B5%ED%99%94%EC%A0%95%EC%B1%85" --- # 돈의 가치는 떨어지는데, 돈 빌리는 값은 오른다 저축하면 뒤처진다는 말을 배웠다. 월급을 모으는 동안 집값과 주식은 더 빨리 올랐고, 대출을 끼고 자산을 산 사람이 먼저 부자가 됐다. 그러니 뒤늦게라도 같은 방법을 따라 하려는 사람이 늘어난 것은 자연스럽다. 그런데 그 방법에는 잘 드러나지 않는 조건이 하나 있었다. 싸게 빌리고, 오래 버틸 수 있는 돈. 과거의 성공담에서 이 조건을 빼고 무엇을 샀는지만 따라 하면 전혀 다른 투자가 된다. 같은 자산을 사더라도 매달 내야 하는 이자와 만기가 다르면 끝까지 보유할 수 있는 사람이 달라지기 때문이다. 박종훈은 이를 돈의 두 번의 배신으로 설명한다. 처음에는 돈의 가치가 떨어져 저축자를 자산시장으로 밀어냈고, 그 규칙을 배운 사람들이 빚을 내 투자하자 이번에는 돈을 빌리는 가격이 높아졌다는 것. **지난 40년의 투자법을 그대로 이어 가기 어려운 이유는, 그 투자법을 지탱하던 싼 돈의 조건이 바뀌고 있기 때문이다.** [YouTube: 돈은 당신을 두번 배신했다...뒤집힌 40년 부의 법칙 (박종훈의 지식한방)](https://www.youtube.com/watch?v=YgMO4F-o37U) ## 저축자는 이자를 잃고, 투자자는 시간을 얻었다 금리가 내려가면 예금한 사람의 이자 수입이 줄어든다. 돈을 빌린 사람은 같은 금액만큼 이자 부담이 가벼워진다. 원금 1억 원에 금리가 10%에서 1%로 내려가는 단순한 경우를 생각해 보면, 한쪽은 연 900만 원의 수입을 잃고 다른 쪽은 연 900만 원의 비용을 덜어낸다. 같은 금리 인하를 두고도 누구는 손해를 보고 누구는 여유가 생기는 셈. 영상은 이 차이를 지난 수십 년간 반복된 금리 하락과 연결한다. 경기 침체가 오면 중앙은행이 금리를 크게 내렸고, 회복기에 올린 금리는 이전 고점에 미치지 못했다. 2008년 금융위기 이후에는 제로금리와 양적완화까지 더해졌다. 박종훈이 저축자의 몫이 투자자로 옮겨갔다고 말하는 배경이다. ![경기 침체 때마다 낮아진 미국 기준금리와 침체 전 고점을 비교한 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/4175d234-a5c0-4c3c-8b93-cf5a7b85fa9a.webp) *침체와 함께 낮아진 금리의 장기 흐름. 도표 출처: 미 연준 FRED·NBER. [박종훈의 지식한방, 8:39](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=519s)* 자산을 가진 사람에게 낮은 금리는 시간을 벌어준다. 당장 가격이 오르지 않아도 이자를 감당하며 기다릴 수 있고, 시장이 흔들릴 때 추가로 살 여력도 생긴다. 여기에 자산 가격까지 오르면 담보 가치가 높아지고 다시 돈을 빌릴 조건이 좋아진다. 이미 가진 자산과 싼 차입이 서로를 밀어주는 구조다. 반대편에서는 예금 이자가 줄어드는 동안 사려던 자산의 가격이 올라간다. 통장 잔액은 늘었는데 집을 살 가능성은 오히려 멀어질 수 있다. 돈을 성실하게 모았는지와 그 돈으로 무엇을 살 수 있는지는 다른 문제니까. 영상의 은마아파트 비교가 이 간극을 보여준다. 31평의 2005년 시세 7억 원과 2026년 9월 실거래가 31억 3천만 원을 비교하면 원화로 약 4.5배다. 영상이 적용한 환율로 환산하면 달러로 약 3.4배, 금과의 교환비율로 보면 한 채에 필요한 금이 48kg에서 18kg으로 줄었다. ![은마아파트 31평의 원화·달러·금 환산 가격 비교](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/8c4ee392-6bdf-4e1d-984c-09c71a0a911e.webp) *영상에서 제시한 2005년 시세와 2026년 9월 실거래가 비교. 도표 출처: 국토교통부·한국거래소·LBMA·2005년 언론 보도. [박종훈의 지식한방, 4:01](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=241s)* 이 비교에서 볼 것은 각 자산 사이의 교환비율이다. 원화로 크게 오른 집도 같은 기간 금의 상승을 따라가지는 못했다. 원화 평가액이 늘었다는 사실만으로 구매력이 얼마나 나아졌는지까지 알 수는 없다. 저축만 하던 사람이 자산시장으로 눈을 돌리게 된 데에는 이 경험이 쌓여 있다. 투자하지 않겠다는 선택에도 사려던 것을 점점 사기 어려워지는 비용이 붙었던 것이다. ## 풀린 돈은 모두에게 같은 순서로 도착하지 않는다 여기서 한 걸음 더 들어가야 한다. 금리가 낮아졌다고 모두가 같은 조건으로 돈을 빌릴 수 있는 것은 아니다. 중앙은행의 채권 매입은 금융시장의 유동성과 금리, 자산 가격을 통해 영향을 전달한다. 그 과정에서 개인이 대출을 받을 조건은 소득·신용·담보에 따라 갈린다. 이미 자산을 가진 사람은 큰돈을 낮은 금리로 빌릴 수 있지만, 담보와 소득이 부족한 사람에게는 한도도 작고 금리도 높다. 돈이 풀렸다는 같은 뉴스를 보면서도 실제로 쓸 수 있는 돈은 다른 셈이다. 박종훈은 새 돈이 금융시장과 자산가에게 먼저 도달하고, 자산 가격이 오른 뒤에야 월급·예금 생활자가 변화를 체감하는 순서를 강조한다. 영상에서 칸티용 효과를 꺼내는 이유다. ![새 돈이 금융시장과 자산가를 거쳐 월급·예금 생활자에게 도달하는 순서를 설명한 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/2b8ce072-e9ec-4c9e-86f8-00582f7d9c77.webp) *영상이 설명하는 새 돈의 전달 순서와 자산 분포 변화. 도표 출처: 미 연준 DFA·리샤르 칸티용·『가짜 돈 진짜 부』. [박종훈의 지식한방, 17:11](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1031s)* 이 차이는 위기 때 더 커진다. 자산 가격이 싸졌다는 사실은 모두가 안다. 정작 그때 생계가 흔들리고 기존 대출을 갚아야 하는 사람은 싸진 자산을 살 수 없다. 생활이 안정된 뒤 다시 투자할 여유가 생겼을 때는 이미 가격이 반등해 있을 수 있다. 반면 여유 자금과 차입 여력이 남아 있는 사람은 낮아진 가격과 낮아진 금리를 함께 이용한다. 그래서 “위기 때 샀더니 부자가 됐다”는 성공담에는 위기를 견딜 자금이 있었다는 전제가 들어 있다. 종목이나 매수 시점만 복사해서는 그 전제를 가져올 수 없다. 지난 시대의 승자를 이해하려면 무엇을 샀는지와 함께 **어떤 돈으로 샀고, 얼마나 오래 기다릴 수 있었는지**를 봐야 한다. ## 그 방법이 대중화되자, 돈을 빌리는 조건이 달라졌다 저축만으로는 자산 가격을 따라잡기 어렵다는 사실을 배운 사람들은 투자에 나섰다. 자기 돈이 충분하지 않으면 대출을 더했다. 과거에 그 방법으로 자산을 늘린 사례가 많았으니 그럴 만했다. 문제는 과거의 투자 성과에 당시의 저금리도 함께 들어 있다는 점이다. 싼 이자로 긴 시간을 확보한 사람과, 높은 이자를 내며 빠른 가격 상승을 기다려야 하는 사람은 같은 전략을 쓰고 있지 않다. 후자는 자산 가격이 오를 방향뿐 아니라 이자 부담을 견딜 수 있는 기간 안에 오를 것까지 맞혀야 한다. 영상은 2024년 9월과 2026년 10월을 비교해 이 변화를 보여준다. 연준 기준금리 상단이 낮아진 동안 미국 10년물 국채 금리는 오히려 높아졌다는 도표다. 기준금리를 내리면 차입 비용도 다시 싸질 것이라는 기대에 균열이 생기는 대목. ![연준 기준금리 상단과 미국 10년물 국채 금리를 비교한 영상 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/2f069792-67b5-4222-8248-bcb0059b3fe9.webp) *영상이 제시한 기준금리와 장기금리의 엇갈림. 도표 출처: 미 연준 성명·CNBC·미 재무부. [박종훈의 지식한방, 22:05](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1325s)* 장기금리는 앞으로의 단기금리 예상과 돈을 오래 묶어 두는 데 대한 보상을 함께 반영한다. 중앙은행이 오늘 정한 금리 하나로 결정되는 가격이 아니다. [연준의 장기금리 설명](https://www.federalreserve.gov/newsevents/speech/brainard20180912a.htm)도 이 두 요소를 구분한다. 자산을 오래 보유하려는 사람이 확인해야 할 것은 실제로 돈을 빌리고 만기를 연장할 때 적용될 금리다. 박종훈은 정부의 재정 부담을 장기금리를 떠받치는 구조적 요인으로 본다. 영상은 미국의 이자 지출이 2024년에 국방비를 넘어섰고, 이후에도 더 늘어날 것이라는 도표를 제시한다. 이미 쌓인 부채에서 이자가 나오고, 재정 적자가 이어지면 그 지출을 감당하기 위해 다시 돈을 빌려야 한다. 민간의 자금 수요가 약해져도 정부의 차입 수요가 크게 남아 있을 수 있다는 이야기다. ![미국 연방정부 순이자 지출 증가와 국방비 역전을 보여주는 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/5a587358-5566-467e-8c0b-eb7bec135df7.webp) *미국 연방정부 순이자 지출과 2026년 전망을 제시한 화면. 단위: 억 달러. 도표 출처: 미 의회예산처·미 재무부. [박종훈의 지식한방, 23:49](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1429s)* 여기에 영상은 베이비붐 세대의 은퇴를 연결한다. 저축을 늘리던 세대가 모은 돈을 쓰기 시작하고, 고령층을 위한 연금·의료 지출은 커진다. 박종훈의 전망에서는 이 변화가 재정 적자를 줄이기 어렵게 만들고, 정부가 계속 자금을 조달해야 하는 이유가 된다. 경기 한 번 나빠졌다고 사라질 부담으로 보기 어렵다는 주장이다. [영상 24:10–25:45](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1450s) 이 설명을 따라가면 “힘들어지면 금리를 내려 주겠지”라는 기대만으로 과거의 투자법을 되풀이할 수 없다. 낮은 금리로 돌아갈 때까지 버티겠다는 계획은, 그때까지 버틸 비용을 먼저 해결해야 성립한다. 과거에는 수익을 키워 주던 대출이 이제는 보유 기간을 제한하는 조건이 될 수 있다. ## 금리는 기다릴 수 있는 사람을 가른다 금리 상승은 자산의 장기 전망을 다시 평가하기도 전에 매달 빠져나갈 돈을 바꾼다. 집값이나 주가가 언젠가 회복될 것이라고 믿어도 다음 달 이자는 다음 달에 내야 한다. 영상은 4억 원을 30년 원리금균등상환으로 빌리는 조건을 비교한다. 연 2.45%일 때 월 약 157만 원, 연 6.89%일 때 약 263만 원. 원금과 상환 기간을 고정하고 금리만 달리 계산하면 매달 약 106만 원의 차이가 난다. 소득이 그대로인 가계에서는 이 돈이 생활비와 저축 여력을 직접 줄인다. ![4억 원 대출의 금리별 월 상환액을 비교한 영상 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/a93c4f6c-8f05-4c1d-b937-12283dec3699.webp) *4억 원·30년 원리금균등상환 조건의 금리별 비교. 도표 출처: 한국은행·헤럴드경제. [박종훈의 지식한방, 27:04](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1624s)* 그 충격이 언제 도착하는지는 계약에 달려 있다. 낮은 금리를 장기로 고정해 둔 차입자는 그 조건을 유지하는 동안 시간을 확보한다. 변동금리이거나 만기가 짧아 곧 다시 빌려야 하는 차입자는 높아진 금리를 더 빨리 떠안는다. 같은 자산을 보유해도 대출 계약에 따라 버틸 수 있는 기간이 달라진다. 영상이 미국의 장기 고정금리 차입과 한국의 짧은 만기·변동금리 노출을 비교하는 이유도 여기에 있다. 미국 안에서도 새로 대출받는 가계와 장기 회사채 발행이 어려운 중소기업은 높은 금리를 빠르게 체감한다고 설명한다. 국가 평균보다 실제로 가진 차입 조건이 중요해지는 것이다. [영상 25:53–27:34, 30:39–30:59](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1553s) 월 상환액 때문에 소비를 줄이면 그 영향은 가계에서 끝나지 않는다. 매출이 줄어든 자영업자와 기업도 현금흐름이 빠듯해지고, 이들 역시 비싸진 돈을 빌려야 한다. 자산시장 일부가 상승하고 있다는 뉴스와 생활이 어려워진다는 체감이 동시에 나올 수 있는 이유다. 결국 자산 가격이 회복되기 전에 팔아야 하는 사람과, 그 자산을 사서 기다릴 수 있는 사람이 갈린다. 첫 번째 배신에서 싼 돈에 먼저 접근한 사람이 유리했다면, 두 번째 배신에서는 높은 비용을 감당할 수 있는 사람이 유리해진다. 부의 격차를 만드는 자금 조달 조건이 다른 모습으로 다시 작동하는 셈이다. ## 오래 보유할 능력까지 투자에 포함해야 한다 돈의 구매력이 떨어지는 문제와 대출 부담이 커지는 문제를 함께 풀어야 한다. 자산을 전혀 소유하지 않으면 가격 상승에서 멀어지고, 자산을 사는 데 돈을 전부 쓰면 그 자산을 지킬 여력이 사라질 수 있다. 여기서 필요한 것은 돈의 역할을 나누는 일이다. 영상은 이를 닻과 돛에 비유한다. 생활비와 만기에 대비하는 돈, 구매력과 통화 위험에 대비하는 자산, 생산성과 성장의 몫을 소유하는 자산을 구분한다. 앞의 두 역할이 배를 붙잡는 닻이라면, 성장 자산은 앞으로 나아가게 하는 돛이다. ![생활·만기 대비, 구매력·통화 대비, 성장 소유로 돈의 역할을 나눈 영상 도표](https://www.readiz.com/assets/authored/ef32c39c-6244-491e-94e9-9af6a604068c/0227ca71-799e-4b67-84a5-a54359e47cab.webp) *현금·짧은 만기 예금, 금·통화 분산, 생산성 자산의 역할 구분. 화면 출처: 『가짜 돈 진짜 부』. [박종훈의 지식한방, 31:30](https://www.youtube.com/watch?v=YgMO4F-o37U\&t=1890s)* 생활비와 대출 상환에 쓸 현금은 장기 자산을 급하게 처분하지 않게 해 준다. 구매력을 보완할 자산을 나누어 갖는 일과, 새로운 생산성과 이익의 성장에 참여하는 일도 각각 목적이 있다. 수익률 숫자 하나로 이 역할들을 줄 세우면 당장 수익이 낮은 자금부터 없애게 된다. 그러다 정작 기다려야 할 때 기다릴 수 없어진다. 이렇게 보면 버틸 여력을 남기는 것은 투자 성과의 일부다. 위기 때 기회를 잡은 사람들은 좋은 자산을 알아본 데 더해, 남들이 팔아야 할 때 살 수 있는 조건을 갖고 있었다. 현금흐름과 만기를 빼놓고 장기투자를 말하면 그 조건이 빠진다. 과거에 오른 자산의 이름만 외워서는 과거의 성공을 재현할 수 없다. 그 성공에는 낮은 이자, 긴 보유 기간, 위기 때 남아 있던 자금이 함께 들어 있다. **싼 돈이 돌아와야만 유지되는 투자에서 벗어나, 지금의 비용으로도 오래 보유할 수 있는 자산을 쌓는 것.** 돈의 규칙이 달라졌다면 투자법도 여기까지 바뀌어야 한다. --- --- id: "authored/1948a4a5-292e-4b4d-93b3-5b2fe65e7088" title: "금리가 오르는데 주가도 오른다" description: "다모다란의 글과 엔비디아 실적을 보고 든 생각." kind: "record" published: "2026-10-06T01:38:19.258Z" updated: "2026-11-11T05:37:19.211Z" tags: ["투자","금리","가치평가","현금흐름"] url: "https://www.readiz.com/records/damodaran-interest-rates-stock-prices-2026/" markdownUrl: "https://www.readiz.com/records/damodaran-interest-rates-stock-prices-2026/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 금리가 오르는데 주가도 오른다 금리가 오르면 주가가 떨어진다고들 한다. 그런데 올해는 미국 10년물 금리가 연초 4.18%에서 8월 말 4.75%로 오르는 동안 S\&P 500도 올랐다. [다모다란의 9월 글](https://aswathdamodaran.blogspot.com/2026/09/interest-rates-and-stock-prices-old.html)에서 다룬 내용이다. ![2026년 만기별 미국 국채 금리](https://www.readiz.com/assets/authored/1948a4a5-292e-4b4d-93b3-5b2fe65e7088/7087d013-3230-4c62-a114-513f6a1f8cda.webp) *2026년 9월 초까지의 금리 추이. [출처: Aswath Damodaran](https://aswathdamodaran.blogspot.com/2026/09/interest-rates-and-stock-prices-old.html)* 다모다란은 기업 이익에서 이유를 찾는다. 첫 8개월 동안 S\&P 500의 2026년·2027년 이익 전망이 각각 11% 넘게 올라갔다. 금리가 올라도 앞으로 벌 돈이 충분히 늘면 주가가 오를 수 있다는 얘기다. ![S\&P 500의 2026년·2027년 이익 전망 변화](https://www.readiz.com/assets/authored/1948a4a5-292e-4b4d-93b3-5b2fe65e7088/f2ec4558-1951-4700-9b64-706e12c71537.webp) *빨강은 2026년, 초록은 2027년 예상 이익. [출처: Aswath Damodaran, 데이터: Ed Yardeni](https://aswathdamodaran.blogspot.com/2026/09/interest-rates-and-stock-prices-old.html)* 엔비디아를 보면 더 와닿는다. 올해 7월에 끝난 분기 매출은 전년보다 106%, 영업이익은 124% 늘었다. 금리가 높다는 이유만으로 이런 성장을 무시하기는 어렵다. ![엔비디아의 매출·영업이익·영업현금흐름 증가 비교](https://www.readiz.com/assets/authored/1948a4a5-292e-4b4d-93b3-5b2fe65e7088/9a5d82dd-a89b-4f41-aa97-05e86403bf96.webp) *FY2026 Q2와 FY2027 Q2의 GAAP 실적 비교. [NVIDIA 공시](https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Announces-Financial-Results-for-Second-Quarter-Fiscal-2027/default.aspx) 기준으로 그림.* 다만 현금이 들어오는 속도는 이익 증가보다 느리다. 영업현금흐름은 57% 늘었고, 매출채권 증가로 묶인 돈도 컸다. ## 이익 다음에는 가격과 현금 ![엔비디아 종가와 20·50·200일 이동평균선. 10월 5일 종가는 20일선보다 6.6% 높다.](https://www.readiz.com/assets/authored/1948a4a5-292e-4b4d-93b3-5b2fe65e7088/a0f332c9-dedf-4655-9792-1a0e4681b1b5.webp) *2026년 10월 5일 기준, 20·50·200거래일 종가의 단순평균. 주식분할 반영·배당 미조정. [Yahoo Finance](https://finance.yahoo.com/quote/NVDA/history/)의 10월 2일까지 시세와 [Stock Analysis](https://stockanalysis.com/stocks/nvda/history/)의 10월 5일 종가로 그림.* 10월 5일의 20일선과 50일선, 200일선은 정배열이고 모두 올라가고 있다. 그동안의 상승 흐름은 분명하다. 장기 보유할 가격을 평가하려면 앞으로의 성장과 현금흐름까지 연결해야 한다. 금리가 높아도 이익이 더 빠르게 늘면 주가는 오를 수 있다. 다만 엔비디아는 이익 증가에 비해 현금이 들어오는 속도가 느렸다. **성장이 얼마나 오래 이어지고, 그중 얼마가 현금으로 남느냐.** 가격에 이미 반영된 기대와 이 둘을 맞춰 봐야 장기 보유의 매력을 평가할 수 있다. --- --- id: "authored/f07f18f5-a023-4054-b1c6-b0b841176bef" title: "AI는 커지는데, 투자자도 돈을 벌까" description: "AI 산업의 성장과 주주의 수익을 나눠 보고, 아마존·마이크로소프트·메타의 현금흐름과 설비 지출에서 투자 회수의 조건을 짚습니다." kind: "record" published: "2026-10-06T00:38:09.980Z" updated: "2026-10-09T02:43:35.457Z" tags: ["AI","투자","금리","반도체","현금흐름"] url: "https://www.readiz.com/records/ai-investment-cost-of-capital-cash-flow/" markdownUrl: "https://www.readiz.com/records/ai-investment-cost-of-capital-cash-flow/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # AI는 커지는데, 투자자도 돈을 벌까 AI가 세상을 바꾼다는 데는 별 이견이 없다. 그런데 거기에 투자하는 회사가 전부 돈을 벌까. 주주 입장에서는 이쪽이 더 중요한 질문이다. 시장이 커지는 속도만 보면 놓치기 쉬운 게 있다. 그 시장을 차지하려고 먼저 써야 하는 돈도 함께 커진다는 것. 윤지호 경제평론가의 인터뷰를 보고 남은 생각은 **AI의 성장에 투자하려면, 그 성장에 들어간 돈이 누구에게 돌아오는지 끝까지 따라가야 한다**는 것이다. GPU를 만드는 회사의 매출, GPU를 사는 회사의 투자, AI 서비스를 쓰는 고객의 지출은 하나로 연결돼 있다. 앞에서 잡힌 매출이 뒤에서도 충분한 수익을 만들어야 이 연결이 오래 간다. [YouTube: 하이퍼스케일러 모두가 떼돈을 벌 수는 없다 · 교양이를 부탁해, 윤지호](https://www.youtube.com/watch?v=Salg3kawywc) ## 시장은 커지는데, 왜 회사는 망할까 영상은 철도와 스마트폰을 예로 든다. 철도가 보급되는 동안에도 철도 회사는 망했고, 스마트폰이 일상 전체를 바꾸는 동안 운영체제 경쟁의 승자는 소수로 좁혀졌다. 여기서 가져갈 것은 과거의 승자 이름보다 경쟁의 구조다. 커질 시장이 보이면 참여자가 몰리고, 각자 그 시장의 상당 부분을 차지할 것처럼 돈을 쓴다. ![스마트폰 운영체제 경쟁에서 애플과 안드로이드가 남았다는 설명 장면](https://www.readiz.com/assets/authored/f07f18f5-a023-4054-b1c6-b0b841176bef/8ef383de-57f3-4813-9eb5-3cb0db22483e.webp) *스마트폰 보급과 운영체제 경쟁의 결과를 비교하는 장면. [교양이를 부탁해, 22:07](https://www.youtube.com/watch?v=Salg3kawywc\&t=1327s)* AI에서도 뒤처지면 사업 자체가 위태로워질 수 있다는 생각이 투자를 밀어붙인다. 경쟁사가 연산 자원을 늘리는데 혼자 멈추기는 어렵다. 이때 기업마다 합리적으로 보이는 결정이 모여 산업 전체의 투자 부담을 키운다. 장비를 더 사는 데 성공해도, 그 장비로 고객에게 받을 가격과 남길 이익까지 확보되는 것은 아니다. 경쟁이 치열해질수록 기술은 빠르게 보급되고 이용자는 더 좋은 서비스를 싸게 쓸 수 있다. 그 혜택을 누리는 사람과 투자금을 회수하는 사람은 서로 다르다. **사회를 크게 바꾼 기술이라는 사실만으로 그 기술에 돈을 댄 주주의 수익률을 설명할 수는 없다.** AI의 유용성을 확인하는 데서 투자 판단을 끝내면 안 되는 이유다. ## 엔비디아의 매출은 고객의 지출이다 엔비디아가 GPU를 팔면 매출이 생긴다. 그 GPU를 산 클라우드 회사에는 먼저 투자 지출이 생기고, 이후 고객에게 연산 서비스를 팔면서 돈을 회수한다. 회수에 걸리는 시간 동안 전력비와 운영비도 들어간다. 반도체 공급사의 이번 분기 실적과 고객사의 투자 회수는 서로 다른 시계로 움직이는 셈. 영상의 [30:07\~31:35](https://www.youtube.com/watch?v=Salg3kawywc\&t=1807s)도 이 구조를 짚는다. 과거에 이익이 늘었다는 숫자에서 곧바로 미래 이익을 연장하지 말고, 그 이익을 만들어낸 고객의 사업이 계속 유지될지를 보자는 이야기다. 반도체 회사의 주문을 이해하려면 주문을 넣는 쪽의 현금흐름까지 내려가야 한다. 가령 클라우드 회사가 기존 사업에서 번 돈으로 AI 투자를 늘릴 수는 있다. 그 덕분에 AI 서비스의 수익화가 늦어져도 반도체 주문은 한동안 이어진다. 하지만 그 기간이 길어질수록 기존 사업이 벌어온 현금 중 더 많은 몫이 새 사업에 묶인다. 고객이 투자를 계속 늘릴 여력이 있는지, 늘린 설비가 다음 투자를 감당할 현금을 만들고 있는지가 공급사의 성장에도 중요해진다. 그래서 엔비디아와 고객사를 따로 떼어 각각의 낙관적인 매출 전망을 더하면 같은 지출을 산업 전체의 부처럼 세기 쉽다. GPU 판매로 이미 받은 돈과, 그 GPU를 돌려 앞으로 벌 돈을 구분해야 한다. **AI 밖의 고객에게 받은 매출과 실제 비용 절감이 투자 부담을 얼마나 감당하는가.** 이 고리가 튼튼해져야 투자 경쟁에도 지속성이 생긴다. ## 아마존은 그 시간차를 숫자로 보여준다 아마존의 2026년 6월 말 기준 최근 12개월 영업현금흐름은 1,614억 달러로 전년보다 33% 늘었다. 같은 기간 순설비 현금지출은 1,690억 달러. 회사가 정의한 잉여현금흐름은 전년의 **+182억 달러에서 -76억 달러로** 돌아섰다. 벌어들이는 현금이 늘었는데도 투자하고 남은 현금은 마이너스가 됐다. ![아마존의 2025년과 2026년 6월 말 최근 12개월 영업현금흐름, 순설비 현금지출, 잉여현금흐름 비교](https://www.readiz.com/assets/authored/f07f18f5-a023-4054-b1c6-b0b841176bef/e8e0422b-108b-4c69-9499-42a4c8f3b0f3.webp) *각 연도 6월 말까지 최근 12개월, 단위 십억 달러, 아마존 연결 전체. 설비 현금지출에서 자산 매각 대금·인센티브를 차감한 회사 정의 기준. [2026 Q2 공시](https://ir.aboutamazon.com/news-release/news-release-details/2026/Amazon-com-Announces-Second-Quarter-Results/default.aspx?mode=light)로 그림* 이 수치는 AWS만의 성적표가 아니라 아마존 연결 전체의 현금흐름이다. 아마존은 순설비 현금지출 증가가 주로 AI 투자 때문이라고 설명했다. 따라서 여기서 읽을 것은 AI 사업의 확정 손익이 아니라, **AI 투자 확대가 회사 전체에서 남는 현금을 얼마나 바꾸고 있는가**다. 투자가 먼저 나가고 회수가 나중에 오는 사업에서는 이 시간차를 감당할 자금이 경쟁력이다. 기존 사업의 현금 창출력이 강하면 설비가 제 역할을 할 때까지 기다릴 여지가 커진다. 반대로 투자 속도를 유지하려고 계속 외부 자금을 조달해야 한다면 회수가 늦어질수록 조건이 불리해진다. 같은 AI 성장률을 바라보고 있어도 기업마다 버틸 수 있는 기간과 주주가 부담할 비용은 달라진다. 아마존의 숫자는 바로 이 차이를 보게 만든다. 매출이 늘었다는 사실만으로 투자 부담을 다 설명했다고 생각하면, 현금이 더 많이 들어오고도 더 적게 남는 구간을 놓치게 된다. ## 같은 투자를 해도 버틸 여력은 다르다 아마존 한 회사만 보면 AI 투자 전체가 같은 자금 사정에 놓였다고 생각하기 쉽다. 마이크로소프트와 메타까지 같은 2026년 4\~6월로 맞춰 보면 차이가 크다. 각 회사의 연결 현금흐름표에서 영업으로 들어온 돈과 유형자산을 사느라 실제 지급한 돈을 나란히 놓았다. ![마이크로소프트, 메타, 아마존의 2026년 4\~6월 영업현금흐름과 유형자산 현금 취득액 비교](https://www.readiz.com/assets/authored/f07f18f5-a023-4054-b1c6-b0b841176bef/6e566aca-a8ab-4d42-b99f-a9fc90cdaa76.webp) *2026년 4\~6월 연결 전체, 단위 십억 달러. 취득액은 자산 매각·인센티브 차감 전, 금융리스 원금 상환 제외. [마이크로소프트](https://www.microsoft.com/en-us/investor/earnings/fy-2026-q4/press-release-webcast)·[메타](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/)·[아마존](https://ir.aboutamazon.com/news-release/news-release-details/2026/Amazon-com-Announces-Second-Quarter-Results/default.aspx?mode=light) 공시로 그림* 마이크로소프트의 현금 취득액은 영업현금흐름의 약 65%, 메타는 95%, 아마존은 119%다. **같은 성장 시장에 투자해도 기존 사업에서 벌어오는 현금과 투자 지출 사이의 간격은 다르다.** 마이크로소프트에는 이 비교에서 상당한 여유가 남고, 메타는 거의 전부를 설비 취득에 쓰며, 아마존은 취득액이 영업현금흐름을 넘어선다. 이는 AI 사업만의 수익률 순위가 아니라 회사 전체가 투자 부담을 감당하는 모습을 보여준다. 잉여현금흐름이라는 이름도 정의를 봐야 한다. 메타는 금융리스 원금 상환까지 빼고, 아마존은 설비 취득액에서 자산 매각 대금과 인센티브를 먼저 차감한다. 위 그래프는 그 차이를 섞지 않도록 현금흐름표의 두 항목을 직접 비교한 것이다. 앞의 아마존 그래프가 최근 12개월의 변화를 보여준다면, 여기서는 같은 분기의 기업별 차이를 본다. 이 정도 차이가 있다면 하이퍼스케일러 전체를 한 덩어리로 낙관하거나 비관할 이유가 없다. 투자가 커져도 현금을 남길 수 있는 기업과, 회수 속도가 투자 속도를 따라잡아야 하는 기업을 나눠 볼 근거가 이미 실적 안에 있다. ## 금리 5%와 6%보다 중요한 비교 영상 제목의 “5%냐, 6%냐가 중요한 게 아니다”는 말도 이 맥락에서 이해할 수 있다. 어떤 금리 수준이면 모든 기업이 괜찮고, 그 선을 넘으면 모두 위험하다는 식으로 나누기 어렵다. 기업마다 투자한 돈으로 벌 수 있는 수익과 자금을 조달하는 조건이 다르기 때문이다. 여기서 자본비용은 은행에 내는 이자만을 뜻하지 않는다. 채권자는 이자를 요구하고, 주주도 다른 곳에 투자할 기회를 포기한 만큼 수익을 기대한다. 이 둘을 자금 구성에 맞게 반영한 것이 가중평균자본비용, WACC다. 주주에게 당장 이자 청구서가 오지 않는다고 주식으로 조달한 돈이 공짜가 되는 건 아니다. ![하이퍼스케일러별 자본비용 WACC 추정 추이를 설명하는 영상 장면](https://www.readiz.com/assets/authored/f07f18f5-a023-4054-b1c6-b0b841176bef/e25a1569-80e1-444e-b701-b7dd84bd0528.webp) *영상에서 제시한 주요 하이퍼스케일러의 자본비용 추정 추이. [교양이를 부탁해, 49:00](https://www.youtube.com/watch?v=Salg3kawywc\&t=2940s)* 기업이 투입한 자본에서 얻는 수익률인 ROIC가 이 자본비용을 웃돌아야, 자금을 제공한 사람들이 요구한 몫을 넘는 가치를 만든다고 볼 수 있다. 사업 규모가 커져도 이 차이가 계속 마이너스라면 더 많은 돈을 넣는 것이 주주에게 유리한 선택이 되기 어렵다. 회계상 이익이 나는 회사도 이 비교에서는 부족할 수 있다. ROIC와 WACC의 차이는 수익률의 차이이고, 잉여현금흐름은 실제 현금의 유입과 지출을 계산한 금액이다. 둘을 같은 숫자로 취급할 수는 없다. 앞의 비교는 투자가 비용에 걸맞은 성과를 내는지, 뒤의 비교는 그 과정에서 자금이 얼마나 남거나 더 필요한지를 보여준다. AI 투자를 볼 때는 수익성과 자금 사정을 함께 읽어야 한다. 금리 상승은 이 두 측면을 동시에 압박한다. 돈을 새로 빌리거나 기존 빚을 갈아탈 때 부담이 커지고, 미래 수익에 적용하는 할인율도 높아질 수 있다. 회수가 먼 투자일수록 달라진 조달 조건을 더 오래 견뎌야 한다. “AI가 잘될 것”이라는 방향성만으로 이 비용을 건너뛸 수는 없다. ## 2028년의 회복은 어떻게 만들어지는가 윤지호 평론가는 영상에서 블룸버그 예측치로 소개한 현금흐름 전망을 보며 2028년을 기대한다고 말한다. 그리고 금리가 더 오르지 않아야 한다는 조건을 붙인다. 이 전망의 핵심은 연도 자체보다 그때 기업들이 투자한 설비에서 현금을 회수하기 시작한다는 데 있다. ![2028년 이후 현금흐름 개선 전망과 금리 조건을 설명하는 윤지호 평론가](https://www.readiz.com/assets/authored/f07f18f5-a023-4054-b1c6-b0b841176bef/2fe9ac74-7ab5-41d3-b0c2-a565a46515f5.webp) *현금흐름 회복 전망에 금리 경로를 연결하는 설명. [교양이를 부탁해, 40:16](https://www.youtube.com/watch?v=Salg3kawywc\&t=2416s)* 그 경로가 성립하려면 이미 투자한 설비에서 들어오는 현금이 늘고, 추가 투자로 나가는 돈과 조달 부담을 감당할 수 있어야 한다. 이용량이 늘어도 가격 경쟁으로 이익이 남지 않거나, 수요를 맞추기 위한 설비 지출이 현금 유입보다 더 빨리 늘면 회수 시점은 뒤로 밀린다. 반대로 서비스가 고객의 비용을 충분히 줄여 주고 그 가치의 일부를 요금으로 받을 수 있다면, 투자금이 돌아오는 근거가 생긴다. 그때까지 설비 투자가 끝난다고 보는 것도 성급하다. 마이크로소프트는 이번 분기 설비 투자의 약 3분의 2가 주로 CPU·GPU 같은 수명이 짧은 자산이라고 설명했다. 데이터센터 건물과 달리 연산 장비는 교체와 성능 경쟁을 계속 감당해야 한다. 한 번 크게 투자했으니 이후에는 현금이 저절로 남는다는 계산보다, 반복되는 장비 지출을 서비스 수입이 얼마나 웃도는지가 중요하다. [FY26 Q4 실적 설명회](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4) 설비 투자 전망이 낮아졌다는 발표도 내용을 뜯어볼 필요가 있다. 같은 설명회에서 마이크로소프트는 건물의 추정 내용연수 변경으로 일부 데이터센터 계약이 금융리스에서 운용리스로 바뀌어, 발표하는 설비 투자 금액이 줄어든다고 설명했다. 이 효과를 제외한 투자 예상은 그대로였다. **장부에 표시되는 투자액이 줄어드는 것과 경제적으로 부담할 돈이 줄어드는 것은 다른 변화다.** 현금흐름 회복 전망도 고객에게 실제로 더 받은 돈, 투자 시점의 이동, 계약 분류의 영향을 나눠 읽어야 한다. 그래서 나는 AI의 성장에 투자할 때 **이미 돈을 벌어 투자를 버틸 힘과, 새로 쓴 돈을 회수할 사업을 함께 가진 기업**에 더 높은 점수를 준다. 반도체 공급사에도 고객의 회수 능력까지 확인한 성장 전망이 필요하다. AI가 커진다는 전망에는 동의한다. 주주의 몫이 커진다는 판단에는, 그 과정에 들어간 비용을 제하고도 남는 돈이 근거가 돼야 한다. --- --- id: "authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c" title: "프랑스 국채, 이자가 높다고 싸진 않다" description: "프랑스 국채의 높은 금리를 부채 만기, 기초재정적자, 이자 부담과 연결하고 EU 전망·AFT 조달 계획으로 재정 조정의 조건을 살펴봅니다." kind: "record" published: "2026-10-04T15:58:05.639Z" updated: "2026-10-09T02:44:49.009Z" tags: ["경제","프랑스","국가부채","금리"] url: "https://www.readiz.com/records/france-high-rates-debt-growth-korea/" markdownUrl: "https://www.readiz.com/records/france-high-rates-debt-growth-korea/index.md" recordFolder: "경제·금융/시장·투자" folderUrl: "https://www.readiz.com/records/?folder=%EA%B2%BD%EC%A0%9C%C2%B7%EA%B8%88%EC%9C%B5%2F%EC%8B%9C%EC%9E%A5%C2%B7%ED%88%AC%EC%9E%90" --- # 프랑스 국채, 이자가 높다고 싸진 않다 프랑스 국채 금리가 올랐다고 매수 기회일까. 이자를 더 주겠다는 약속만 보면 솔깃하지만, 그 약속을 지킬 재정이 나빠져서 요구 수익률이 오른 것이라면 판단은 달라진다. **프랑스 국채를 싸다고 평가하려면, 높은 금리와 함께 적자가 줄어들 경로도 보여야 한다.** 박종훈의 지식한방 영상에서 눈에 들어온 것은 빚의 규모보다 그 경로를 만드는 정치적 어려움이다. 적자를 줄이려면 누군가는 세금을 더 내거나 지금 받는 혜택을 덜 받아야 한다. 그런데 그 부담을 나눌 합의가 어렵다. 시간이 지나면 해결될 문제라고 넘기기에는, 그동안에도 새로 빚을 내고 이자를 내야 한다. [YouTube: 고금리 폭탄에 무너질 첫번째 나라는 프랑스? · 박종훈의 지식한방](https://www.youtube.com/watch?v=hl1bFB6AZWg) ## 이자를 더 줘도 떠나는 돈 영상은 스미토모 미쓰이 DS가 운용하는 한 글로벌 채권 펀드가 프랑스 국채를 전량 매도하고 독일 국채와 일본 단기 국채로 옮겼다는 사례로 시작한다. 이 펀드가 프랑스의 더 높은 금리보다 재정에 대한 신뢰와 다른 시장의 매력을 택했다는 것이 영상의 설명이다. [1:19](https://www.youtube.com/watch?v=hl1bFB6AZWg\&t=79s) 다만 한 펀드의 매도를 시장 전체의 이탈로 넓혀 읽을 수는 없다. 프랑스 국채관리청 AFT의 9월 29일 발표에서 2026년 중장기 국채 발행의 응찰 수요는 공급의 2.5배였고, 연간 발행 계획도 9월 말까지 85%를 소화했다. **돈을 빌리는 시장은 작동하고 있다. 그 돈의 가격과 앞으로 감당할 부담이 문제다.** [AFT 자금 조달 현황](https://www.aft.gouv.fr/en/publications/communiques-presse/29-september-2026-french-state-funding-2027-and-update-2026) 국채를 사는 사람에게는 선택지가 있다. 다른 나라 채권을 사거나, 만기가 짧은 채권으로 옮겨 가격 변동에 노출되는 기간을 줄일 수도 있다. 프랑스가 돈을 빌리려면 그런 대안과 비교해도 살 만한 조건을 제시해야 한다. 투자자가 더 큰 불안을 느낄수록 요구하는 보상도 커지고, 국가는 더 비싼 조건으로 돈을 빌리게 된다. ![프랑스 국채의 외국인 보유 비중과 평균 만기를 설명하는 영상 화면](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/eef64611-2aa5-4ea5-9142-19b93a1ce4c7.webp) *AFT 자료 등을 바탕으로 영상이 제시한 국채 보유자 구성과 평균 만기. [박종훈의 지식한방, 4:57](https://www.youtube.com/watch?v=hl1bFB6AZWg\&t=297s)* 영상은 프랑스 국채에서 외국인 보유 비중이 크다는 점도 짚는다. 해외 투자자는 프랑스 국내 사정뿐 아니라 자기 나라 금리와 환율, 다른 자산의 수익률을 함께 비교한다. 프랑스의 재정 문제가 그대로인데 대안까지 좋아지면 자금을 붙잡기가 더 어려워진다. 높은 이자는 그 경쟁에서 필요한 보상일 수 있다. 채권 가격이 내려갔다는 사실과 위험에 비해 싸졌다는 판단은 여기서 갈린다. **같은 돈을 받을 가능성과 보유 중 가격 위험까지 따져야 그 이자가 매력적인지 알 수 있다.** 금리 숫자만 떼어 보면 프랑스가 왜 그만큼을 제시해야 하는지를 놓친다. ## 긴 만기는 시간을 벌어 준다. 적자를 없애 주지는 않는다 영상이 제시한 프랑스 국채의 평균 만기는 약 8년 반이다. [AFT의 2026년 9월 말 수치](https://www.aft.gouv.fr/en)도 시장성 국가채무의 평균 잔존 만기를 8년 158일로 제시한다. 기존 고정금리 채무 전체의 이자가 오늘 시장금리로 한꺼번에 바뀌는 구조는 아니다. 만기가 돌아오는 채무를 새로 발행해 갚는 과정에서, 달라진 금리가 재정에 점차 들어온다. 그런데 재정적자가 계속되면 기존 빚을 갈아타는 것에 더해 새로 부족해진 돈도 빌려야 한다. 만기가 길다는 것은 금리 충격을 나눠 받는다는 뜻이지, 그 기간 동안 추가 차입이 멈춘다는 뜻이 아니다. 시간을 벌었다면 그 사이 적자를 줄여야 한다. 그렇지 않으면 높은 조달 비용을 조금씩 받아들이면서 빚의 규모도 키우게 된다. 프랑스 통계청 INSEE가 2026년 9월 29일 발표한 자료에서 정부 부채는 2분기 말 GDP 대비 **119.0%** 수준이다. 같은 발표의 수정 계열로 보면 1년 전은 115.2%였다. 영상에서 인용한 시점의 수치와 별도로, 이후의 공식 통계에서도 부채 비율이 더 높아진 흐름을 확인할 수 있다. ![프랑스 정부 부채 비율이 2024년 4분기 112.6%에서 2026년 2분기 119.0%로 높아진 추이](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/28fe5589-4088-46c7-a02d-466f8648083a.webp) *2024 Q4\~2026 Q2 일반정부 부채/GDP, 단위 %. [INSEE의 2026년 9월 발표](https://www.insee.fr/en/statistiques/9057140) 수정 계열로 그림* 부채 비율에는 분자인 빚과 분모인 명목 GDP가 함께 작용한다. 나라 경제의 돈으로 표시한 규모가 빠르게 커지면 빚의 상대적인 부담을 낮출 여지가 생긴다. 반대로 경제 규모보다 빚이 더 빨리 불어나면 비율은 올라간다. 여기에 국채를 갈아타며 늘어난 이자 비용이 다시 적자를 키울 수 있다. 그래서 현재 국채금리 하나를 실질 성장률과 바로 비교하거나, 한 해의 적자 비율을 다음 해 부채 비율에 그대로 더해서 결론을 내리면 곤란하다. 실제 부담은 기존 채무에 적용되는 평균 이자율, 명목 GDP의 변화, 이자를 제외한 재정수지까지 함께 결정한다. 프랑스에서 불편한 대목은 그런 조정 경로를 기대해야 할 때에도 부채 비율이 올라가고 있다는 것이다. ## 이자가 줄어도 적자는 남는다 프랑스의 부담을 고금리 하나로 설명하기 어려운 이유도 여기에 있다. EU 집행위의 2026년 5월 전망은 이자를 제외한 기초재정수지부터 적자로 본다. 아래 그래프에서 파란 부분은 총적자에서 이자 지출을 뺀 값이다. 금리가 진정돼도 세입과 이자 외 지출의 차이를 줄여야 한다. ![프랑스의 2025년 실적과 2026\~2027년 전망에서 총적자를 기초적자와 이자 지출로 나눈 그래프](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/50a9da4c-75ce-4ded-870c-61a84bce9799.webp) *일반정부 GDP 대비 %, 적자는 양의 크기로 표시. 2025년은 발표 당시 실적, 2026\~2027년은 전망. 기초적자 = 총적자 - 이자 지출. [EU 집행위 2026년 5월 21일 전망](https://economy-finance.ec.europa.eu/economic-surveillance-eu-member-states/country-pages-including-country-reports/france/economic-forecast-france_en)으로 그림* 이 전망에서 2026년은 이자를 제외한 적자가 줄어도 이자 부담이 커져 총적자가 GDP의 5.1%에 머문다. 당시 정책을 유지한 2027년에는 일부 세입 조치의 종료까지 겹쳐 5.7%로 늘어난다. 이자 상승에는 새 국채의 금리뿐 아니라 물가연동채에 반영되는 인플레이션도 작용한다. 긴 평균 만기가 모든 종류의 비용 상승을 같은 속도로 늦춰 주지는 않는 셈이다. 이 수치는 5월에 만든 조건부 전망이다. 이후의 예산안까지 반영한 확정 경로로 읽을 수는 없다. 대신 **일부 지출을 줄였다는 사실만으로 총적자가 저절로 작아지지는 않는다**는 구조를 보여준다. 이자와 만료되는 세입 조치까지 감당할 지속적인 개선이 필요하다. ## 재정 계획은 통과돼야 돈이 된다 빚이 많아도 앞으로 적자를 줄일 수 있다는 믿음이 있으면 투자자는 기다릴 수 있다. 그 믿음은 숫자가 적힌 계획표만으로 생기지 않는다. 계획이 정치적으로 통과되고, 다음 해에도 유지될 가능성이 있어야 한다. 영상의 프랑스 정치 설명은 바로 이 지점과 연결된다. 정부는 지출 절감을 추진하지만, 사회당은 앞선 감세의 부담을 복지 축소로 넘기는 데 반대하며 부유층 과세를 요구한다. 국민연합의 연금 관련 요구는 정부가 지출을 줄이려는 방향과 충돌한다. 누구에게 먼저 부담을 지울지를 두고 예산 조정 자체가 막히는 구도다. ![프랑스 정부의 절감안, 사회당의 과세 요구, 국민연합의 연금 정책을 비교하는 영상 슬라이드](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/fc20f508-86d7-4b14-97b8-3b32c0f95e0f.webp) *프랑스 정부와 야당의 세금·지출·연금 요구를 비교한 장면. [박종훈의 지식한방, 16:36](https://www.youtube.com/watch?v=hl1bFB6AZWg\&t=996s)* 각 주장에는 자기 지지층을 설득하는 이유가 있다. 이미 세금을 깎아 준 쪽의 책임을 묻는 사람에게는 복지 축소가 불공정하고, 연금 수령 조건을 지키려는 사람에게는 개혁이 생활의 손실이다. 문제는 이런 이해관계를 조정하지 못하면 지출과 수입의 차이가 그대로 남는다는 것. 적자의 청구서는 정치적 결론을 기다려 주지 않는다. 합의가 미뤄지는 동안 필요한 차입은 계속된다. 더 높은 금리로 빌린 돈이 쌓이면 나중에 줄여야 할 부담도 커진다. 그때는 같은 재정 개선을 이루는 데 더 큰 증세나 지출 조정이 필요해지고, 합의를 만들기는 더 어려워진다. **프랑스의 정치적 교착이 채권 문제인 이유는, 결정을 미루는 시간이 곧 비용이 되기 때문이다.** 국채를 보는 입장에서도 이 부분이 판단의 중심이어야 한다. 금리가 잠깐 진정됐다는 소식보다, 반복되는 적자를 줄일 조치가 통과되고 유지되는지가 재정에 대한 신뢰를 더 크게 바꾼다. 누가 총리가 되느냐를 넘어 어떤 예산을 실제로 집행할 수 있느냐의 문제다. 9월 말 AFT가 제시한 2027년 예산안의 재정적자 목표는 GDP 대비 5.0%다. 앞의 EU 집행위 5월 전망 5.7%와는 작성 시점과 정책 가정이 다르다. 이 간격은 줄일 적자가 있다는 뜻이며, 목표가 실제 세입·지출 조치로 이어져야 비로소 의미가 생긴다. ![AFT의 2026년 수정 계획과 2027년 예산안 기준 자금 조달 필요액 및 국가채무 이자 비용 비교](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/e8d34aaa-96eb-43ae-ba61-9cbd39fb2a1f.webp) *단위 십억 유로. 2026년은 수정 계획, 2027년은 예산안 기준이며 두 지표는 합산하지 않음. 일반정부 재정수지와 범위가 다른 국가 조달·이자 지표. [AFT 2026년 9월 29일 발표](https://www.aft.gouv.fr/en/publications/communiques-presse/29-september-2026-french-state-funding-2027-and-update-2026)로 그림* 계획을 세우는 사이에도 과거에 발행한 국채의 만기는 돌아온다. AFT는 2027년 조달 필요액 증가의 주된 이유로 중장기 국채 상환액 증가를 들었다. 적자를 줄이겠다는 목표와 다음 해 시장에서 빌려야 할 돈의 규모가 동시에 중요해지는 이유다. 금리가 내려오기만 기다리는 동안에도 차환은 이어진다. ## 한국이 가져갈 대목은 호황기에 있다 영상은 과거 프랑스의 호황기 세수와 한국의 HBM 호황을 연결한다. 여기서 한국에 적용할 논지는 단순하다. 특정 산업이 잘돼 일시적으로 늘어난 수입으로 매년 반복되는 지출을 약속하면, 경기가 꺾인 뒤에는 수입보다 약속이 오래 남는다. 기업 실적이 좋아 법인세가 더 걷힌 해에는 재정 여력이 넉넉해 보인다. 그 돈을 바탕으로 상시 지출을 늘리거나 계속될 감세를 정하면 앞으로도 비슷한 수입이 들어와야 수지가 맞는다. 호황의 크기보다 지속 기간을 잘못 판단한 것이 나중에 구조적인 적자로 돌아올 수 있다. ![일시적 호황 세수를 비축하고 성장 동력을 마련해야 한다는 영상의 정리 화면](https://www.readiz.com/assets/authored/6f08a204-46b5-4bc6-95e7-bdf1e654866c/203d32ab-6abc-4ad0-9c69-09f5dc504997.webp) *일시적 세수와 매년 이어질 지출 약속을 구분하는 대목. [박종훈의 지식한방, 22:45](https://www.youtube.com/watch?v=hl1bFB6AZWg\&t=1365s)* 호황 때 빚을 줄이면 다음 불황에 이자 부담이 덜하고, 필요한 대응에 쓸 여지도 남는다. 미래의 생산성과 세입 기반을 키우는 투자도 같은 기준에서 의미가 있다. 한 번 들어온 돈을 어디에 쓰느냐가 이후의 재정 선택을 넓힐 수도, 좁힐 수도 있는 것이다. 반면 매년 이어지는 약속은 줄이기 어렵다. 받던 혜택을 없애는 순간 누군가의 소득이나 생활이 바뀌고, 정치적 저항도 생긴다. 프랑스 영상 앞부분의 국채 이야기와 끝부분의 호황 세수 이야기가 여기서 이어진다. 좋은 시절에 만든 약속을 나쁜 시절에 고치려면 훨씬 큰 비용이 든다. 프랑스가 당장 돈을 못 빌리는 상황이라는 판단과는 거리가 있다. 그래도 높은 금리만으로 매력을 느끼기 어려운 이유는 **적자 축소 목표가 지속적인 세입·지출 개선으로 이어져야 이자 부담의 누적을 제어할 수 있기 때문**이다. 그 실행이 보이면 평가도 달라질 수 있다. 지금은 높은 이자만큼 그 경로의 신뢰성을 따져야 하는 구간으로 본다. 한국에는 그보다 앞선 선택이 남아 있다. 호황으로 더 걷힌 세금의 일부를 부채와 미래 부담을 줄이는 데 남겨두는 쪽이 맞다. 사정이 좋아 보일 때 여유를 남겨야, 사정이 나빠졌을 때 선택할 수 있다. --- --- id: "lessons/bfs-dfs-grid" title: "BFS/DFS와 격자 탐색: 발견과 방문의 순서" description: "큐와 스택으로 상태를 탐색하고, 같은 비용의 이동에서 최단거리를 구합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["graph","BFS","DFS"] url: "https://www.readiz.com/records/bfs-dfs-grid/" markdownUrl: "https://www.readiz.com/records/bfs-dfs-grid/index.md" recordFolder: "강의/그래프 탐색" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B7%B8%EB%9E%98%ED%94%84+%ED%83%90%EC%83%89" --- # BFS/DFS와 격자 탐색: 발견과 방문의 순서 미로에서 갈 수 있는 칸을 찾는 일과 가장 짧은 길을 찾는 일은 비슷해 보여도 방문 순서의 역할이 다릅니다. 이 강의는 발견 표시 → 큐의 거리 순서 → 격자 경계 → 상태 확장의 순서로 이어집니다. 배열과 반복문을 알면 시작할 수 있습니다. BFS와 DFS는 그래프에서 갈 수 있는 곳을 빠짐없이 방문하는 가장 기본적인 탐색 방법입니다. 문제에서 정점과 간선이 직접 나오지 않아도, 격자 칸, 지도, 상태 전이, 이동 가능한 위치를 그래프로 보면 같은 도구를 쓸 수 있습니다. ```text DFS: 한 방향으로 깊게 들어갔다가 돌아온다. BFS: 시작점에서 가까운 곳부터 차례로 본다. ``` 아래 예시는 미방문 정점 표시와 최단거리 계산의 차이를 다룹니다. 인접 목록 표현은 [그래프와 트리](https://h.readiz.com/learn/graph-tree-basics)에 있습니다. ## 그래프로 생각하기 격자에서는 보통 한 칸이 정점이고, 상하좌우로 이동할 수 있으면 간선이 있다고 봅니다. ```text .... .##. .... ``` `.` 칸은 지나갈 수 있고, `#` 칸은 벽이라면 각 `.` 칸이 정점입니다. 상하좌우로 붙어 있는 `.` 칸 사이에 간선이 있습니다. ## 발견한 시점에 방문 표시하기 [BFS: 발견 표시와 큐를 함께 따라가기](https://www.readiz.com/learn/lab/?demo=bfs) 합류하는 정점이 있는 예제에서 큐에 넣는 순간 거리가 정해지는지 확인해 보세요. 이미 발견한 정점에 다시 도달해도 큐에 중복으로 넣지 않습니다. 아래 방향 그래프에서 A와 B는 모두 C를 발견할 수 있습니다. 큐에 넣을 때 C의 거리를 기록하면 C는 한 번만 들어가고, S에서의 거리 2가 확정됩니다. 이미 발견한 정점을 다시 넣지 않도록 표시합니다. BFS나 반복 DFS에서는 큐·스택에서 꺼낼 때까지 기다리지 않고 **넣는 순간** 표시해야 여러 이웃이 같은 정점을 중복으로 넣지 않습니다. ![S에서 A와 B를 거쳐 C에 합류합니다. A가 C를 처음 발견할 때 거리 2와 방문 표시를 기록하면 B에서는 C를 다시 넣지 않습니다.](https://www.readiz.com/assets/lessons/graph-search/bfs-discovery.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/bfs-discovery.svg) S의 거리 0에서 A·B의 거리 1을 발견하고, A에서 C의 거리 2를 기록합니다. 아직 C를 꺼내지 않았어도 이미 발견된 상태입니다. B에서 C로 가는 간선을 볼 때는 다시 넣지 않습니다. 꺼낼 때까지 표시를 미루면 큐 안에 같은 정점이 여러 번 들어갈 수 있습니다. DFS도 갈 수 있는 정점을 찾지만 **처음 발견한 경로의 길이가 최단거리라는 보장은 없습니다.** 예를 들어 S→A→B→G와 S→G가 함께 있을 때, DFS는 이웃을 보는 순서에 따라 길이 3의 경로를 먼저 찾습니다. BFS는 한 번 이동한 정점부터 처리하므로 길이 1을 찾습니다. ## DFS 한 경로를 따라 깊이 들어갔다가 되돌아옵니다. 아래 함수는 `u`와 연결된 모든 정점을 표시합니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp void dfs(int u, const vector>& graph, vector& visited) { visited[u] = 1; for (int v : graph[u]) { if (visited[v]) continue; dfs(v, graph, visited); } } ``` 길게 이어진 그래프에서는 재귀 깊이도 정점 수만큼 늘어납니다. 실행 환경의 스택 제한을 넘는다면 명시적인 스택으로 바꿉니다. 다음 구현은 방문한 정점 수도 반환합니다. ```cpp int dfsSizeIterative(int start, const vector>& graph, vector& visited) { int size = 0; vector stack; visited[start] = 1; stack.push_back(start); while (!stack.empty()) { int u = stack.back(); stack.pop_back(); size++; for (int v : graph[u]) { if (visited[v]) continue; visited[v] = 1; stack.push_back(v); } } return size; } ``` ## BFS로 최단거리 구하기 모든 간선 비용이 1이면 거리 0, 1, 2인 정점 순서로 큐에서 나옵니다. `dist[v] == -1`을 미방문 표시로 함께 사용합니다. ```cpp vector shortestDistance(int start, const vector>& graph) { int n = (int)graph.size(); vector dist(n, -1); queue q; dist[start] = 0; q.push(start); while (!q.empty()) { int u = q.front(); q.pop(); for (int v : graph[u]) { if (dist[v] != -1) continue; dist[v] = dist[u] + 1; q.push(v); } } return dist; } ``` 새 정점은 현재 거리보다 정확히 1 멀리 있으므로 처음 넣을 때 거리가 확정됩니다. 다른 비용의 간선이 섞이면 이 성질이 깨집니다. 큐의 배열 구현은 [공통 코드](https://h.readiz.com/learn/cpp-common-library)를 참고합니다. ## 연결 요소 세기 무방향 그래프에서 연결 요소 개수는 아직 방문하지 않은 정점마다 탐색을 시작해서 셉니다. ```cpp int countComponents(const vector>& graph) { int n = (int)graph.size(); vector visited(n, 0); int components = 0; for (int i = 0; i < n; ++i) { if (visited[i]) continue; components++; dfs(i, graph, visited); } return components; } ``` ## 격자를 탐색할 때의 경계 격자 칸을 정점으로 보고 상하좌우 이웃을 생성합니다. 다음 좌표를 만든 뒤에는 **배열을 읽기 전에 범위를 확인**해야 합니다. 범위 안이면 벽인지, 이미 방문했는지 검사합니다. 이 순서를 아래 `gridDistance`의 내부 반복문에서 확인할 수 있습니다. ## 격자 BFS 최단거리 상하좌우 이동 비용이 모두 1이면 격자 최단거리는 BFS입니다. 시작점이 유효한 빈 칸이라는 보장이 없다면, 큐에 넣기 전에 범위와 벽 여부를 검사합니다. ```cpp vector> gridDistance( const vector& grid, int sy, int sx ) { int h = (int)grid.size(); int w = h == 0 ? 0 : (int)grid[0].size(); vector> dist(h, vector(w, -1)); queue> q; int dy[4] = {-1, 1, 0, 0}; int dx[4] = {0, 0, -1, 1}; if (sy < 0 || sy >= h || sx < 0 || sx >= w || grid[sy][sx] == '#') return dist; dist[sy][sx] = 0; q.push({sy, sx}); while (!q.empty()) { auto [y, x] = q.front(); q.pop(); for (int dir = 0; dir < 4; ++dir) { int ny = y + dy[dir]; int nx = x + dx[dir]; if (ny < 0 || ny >= h || nx < 0 || nx >= w) continue; if (grid[ny][nx] == '#') continue; if (dist[ny][nx] != -1) continue; dist[ny][nx] = dist[y][x] + 1; q.push({ny, nx}); } } return dist; } ``` ## 여러 곳에서 동시에 퍼질 때 위 구현에서 시작점 하나를 넣는 부분만 바꿉니다. 모든 유효한 시작점의 거리를 0으로 두고 큐에 넣은 뒤 같은 반복문을 실행합니다. 같은 좌표가 여러 번 주어지면 처음 한 번만 넣습니다. 얻는 거리는 시작점 각각까지의 거리가 아니라 **가장 가까운 시작점까지의 거리**입니다. 불이 여러 곳에서 동시에 번진다면 각 칸에 최초로 도착하는 시간을 한 번의 탐색으로 구할 수 있습니다. ## 상태 그래프 격자 칸만 정점이 되는 것은 아닙니다. 방향, 남은 자원, 열쇠 보유 상태까지 포함해야 할 때도 있습니다. ```text (y, x)만으로는 부족하다. 로봇 방향까지 같아야 같은 상태다. 남은 배터리나 사용한 특수 이동 횟수가 다르면 다른 상태다. ``` 이때 정점은 `(y, x, dir)` 또는 `(y, x, used)` 같은 상태가 됩니다. 방문 배열도 그 차원만큼 늘어납니다. 상태를 넓히면 정점 수가 크게 늘어납니다. `h * w * stateCount`가 시간과 메모리 안에 들어오는지 먼저 계산해야 합니다. ## BFS와 Dijkstra의 차이 BFS가 최단거리를 보장하는 이유는 모든 간선 비용이 같기 때문입니다. 큐에서 먼저 나오는 상태가 항상 더 짧은 거리입니다. 간선 비용이 서로 다르면 일반 BFS는 틀릴 수 있습니다. | 간선 비용 | 적합한 알고리즘 | | ------------ | -------------------- | | 모두 1 | BFS | | 0 또는 1 | 0-1 BFS | | 음수 없음, 여러 양수 | Dijkstra | | 음수 가능 | Bellman-Ford 등 별도 기법 | 격자라도 이동마다 비용이 다르면 BFS가 아니라 Dijkstra를 검토해야 합니다. ## 시간 복잡도 각 정점과 간선을 한 번씩 보면 됩니다. ```text 인접 리스트 그래프: O(V + E) 격자 상하좌우 탐색: O(HW) 메모리: 방문 배열 또는 거리 배열 O(V) ``` 격자에서 각 칸의 이웃은 최대 4개라서 간선 수가 `O(HW)`입니다. 그래서 격자 BFS/DFS도 전체 칸 수에 비례합니다. 상태 그래프에서는 `V`가 실제 상태 수입니다. ```text 위치만 상태: H * W 위치 + 방향: H * W * 4 위치 + 열쇠 bitmask: H * W * 2^K ``` 상태를 추가할수록 복잡도가 곱으로 늘어납니다. ## 로컬 연습: 장애물 격자의 최단 이동 상하좌우로 한 칸씩 이동할 때 시작 칸에서 목표 칸까지의 최소 이동 횟수를 구하세요. .은 통로, #은 벽입니다. **입력:** H W sy sx ty tx 뒤 H줄의 격자. 1 <= H,W <= 500이고 좌표는 0-based이며 시작·목표는 통로입니다. **출력:** 최소 이동 횟수, 도달 불가이면 -1을 출력합니다. ### 예시 ```text exercise=bfs-dfs-grid role=input 4 5 0 0 3 4 ...#. .#... .#.#. ...#. ``` ```text exercise=bfs-dfs-grid role=output 7 ``` **확인 방법:** 작은 격자는 모든 통로 사이 거리를 Floyd-Warshall로 구해 비교합니다. 시작=목표이면 0이며 통로가 끊기면 -1입니다. BFS는 큐에 넣을 때 방문 처리해 각 칸을 한 번만 넣고, 큐 용량은 H\*W로 둡니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/graph-search/bfs-dfs-grid.cpp) ```sh c++ -std=c++17 -O2 bfs-dfs-grid.cpp -o lesson ./lesson < input.txt ``` 위 로컬 연습의 입력을 그대로 읽는 C++17 파일입니다. 본문의 다섯 함수를 포함하며 `main`은 `gridDistance`로 목표까지 거리를 출력합니다. 시작과 목표가 같으면 0, 도달할 수 없으면 -1입니다. 본문의 `countComponents`는 재귀 DFS를 사용하므로 긴 사슬 그래프에서는 `dfsSizeIterative`를 쓰는 편이 안전합니다. 다중 시작점은 모든 출발점을 거리 0으로 동시에 넣어야 합니다. 예를 들어 일렬 통로 5칸의 양 끝에서 시작하면 거리는 `[0,1,2,1,0]`입니다. 출발점별로 구한 거리들을 더하는 것이 아니라 각 칸까지의 **최솟값**을 구합니다. 직접 확인할 입력은 세 가지입니다. `1×1` 통로에서 시작=목표이면 0, `1×3`의 `.#.` 양 끝이면 -1, `1×3`의 `...` 양 끝이면 2입니다. 작은 격자에서는 모든 통로 쌍의 Floyd-Warshall 결과와 비교할 수 있습니다. [Dense BFS 응용 노트](https://www.readiz.com/notes/algorithm/graph/dense-bfs/)도 함께 볼 수 있습니다. 기존 기록의 코드·작성 시점은 유지하며, 이 강의의 다운로드 파일을 현재 실습 기준으로 사용합니다. ## 관련 문서 - [Dense BFS](https://www.readiz.com/notes/algorithm/graph/dense-bfs/index.md) --- --- id: "lessons/binary-search" title: "이분 탐색: 답이 남는 경계 찾기" description: "배열의 첫 경계에서 최소 시간과 최대 거리까지, 답을 남기며 후보를 줄입니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["binary search"] url: "https://www.readiz.com/records/binary-search/" markdownUrl: "https://www.readiz.com/records/binary-search/index.md" recordFolder: "강의/배열·구간" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EB%B0%B0%EC%97%B4%C2%B7%EA%B5%AC%EA%B0%84" --- # 이분 탐색: 답이 남는 경계 찾기 [좌표 압축](https://www.readiz.com/records/coordinate-compression/)에서 사용한 `lower_bound`는 단순히 같은 값을 찾는 함수가 아닙니다. 조건을 만족하는 **첫 경계**를 찾습니다. 이번에는 배열의 경계를 손으로 좁힌 뒤, 같은 원리로 생산 목표의 최소 시간과 물체 사이의 최대 거리를 구합니다. 이분 탐색은 정렬되어 있거나 단조성이 있는 공간에서 답의 후보를 절반씩 줄이는 기법입니다. 단순히 배열에서 값을 찾는 것뿐 아니라, "이 값으로 가능한가?"라는 판정 함수를 만들고 정답 범위를 좁히는 데에도 자주 쓰입니다. ```text 정렬된 배열에서 x 이상의 첫 위치를 찾는다. 가능한 최소 시간을 찾는다. 조건을 만족하는 최대 길이를 찾는다. ``` 반복 중에도 유지되는 조건인 **불변식**으로 양 끝의 의미를 정합니다. 탐색 구간을 줄일 때도 답이 그 안에 남아 있어야 합니다. ## lower_bound [이분 탐색: 답이 남는 구간 따라가기](https://www.readiz.com/learn/lab/?demo=binary-search) 중복 원소가 있을 때도 같은 값의 첫 위치를 찾는지 살펴보세요. 찾는 값을 최솟값보다 작게, 최댓값보다 크게 바꾸면 경계가 왜 0 또는 배열 길이가 되는지도 확인할 수 있습니다. `lower_bound`는 `target` 이상인 첫 위치를 찾습니다. ```text a[i] >= target 이 되는 가장 작은 i ``` 이때 탐색 구간을 반열린 구간 `[left, right)`로 두면 깔끔합니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp int lowerBound(const vector& a, int target) { int left = 0; int right = (int)a.size(); while (left < right) { int mid = left + (right - left) / 2; if (a[mid] < target) { left = mid + 1; } else { right = mid; } } return left; } ``` 반복이 끝나면 `left == right`이고, 그 위치가 답입니다. 모든 원소가 `target`보다 작으면 `a.size()`가 반환됩니다. ```text a = [1, 3, 3, 7, 9] lower_bound(3) = 1 lower_bound(4) = 3 lower_bound(10) = 5 ``` [원문 배열 경계 그림 크게 보기](https://www.readiz.com/assets/lessons/array-ranges/binary-search-concept-trace.svg) ## 같은 값이 여러 개 있을 때 `lowerBound`가 돌려준 위치가 배열 안에 있고 그 값이 `target`과 같으면 값이 존재합니다. `target`보다 **큰** 첫 위치가 필요하면 비교 조건을 `a[mid] < target`에서 `a[mid] <= target`으로 바꿉니다. 이것이 `upper_bound`입니다. 같은 값의 개수는 두 경계의 차이입니다. `[1, 3, 3, 7, 9]`에서 3의 경계는 1과 3이므로 개수는 2입니다. 두 함수 모두 배열이 오름차순으로 정렬되어 있어야 합니다. ## 배열 경계와 답의 경계는 같은 문제입니다 `lowerBound(a, x)`는 항상 `0..n`을 반환합니다. `n`도 정상적인 결과이며, 원소가 아니라 **배열 끝 경계**입니다. 결과가 `n`인데 `a[n]`을 읽으면 안 됩니다. 빈 배열에서는 `left == right == 0`이어서 원소를 한 번도 읽지 않고 0을 반환합니다. `[1,3,3,7,9]`에서 3 이상의 첫 위치는 1, 3보다 큰 첫 위치는 3입니다. 두 경계 사이 `[1,3)`에 3이 두 개 있습니다. 다운로드의 `--bounds` 모드는 두 경계와 개수를 함께 출력합니다. 배열을 줄이는 동안 `[0,left)`는 모두 `target`보다 작고, `[right,n)`는 모두 `target` 이상입니다. 아직 확인할 원소는 `[left,right)`에 남고, 반환할 경계는 `left..right` 사이에 있습니다. 오른쪽 경계는 포함하지 않는 배열 구간과 구분하세요. ## 단조 조건 이분 탐색이 가능한 이유는 답 후보가 한 번 기준을 넘으면 그 뒤가 모두 같은 방향으로 유지되기 때문입니다. ```text false false false true true true ``` 이런 배열에서 첫 `true`를 찾는 것이 lower_bound의 본질입니다. 반대로 아래처럼 중간에 다시 바뀌면 이분 탐색을 할 수 없습니다. ```text false true false true true ``` 파라메트릭 서치는 실제 배열 대신 판정 함수 `can(x)`가 이런 단조성을 가진다고 보고 이분 탐색합니다. ## 가능한 최소값 찾기 시간 `t` 안에 작업을 끝낼 수 있는지 판정할 수 있다면 답 자체를 이분 탐색할 수 있습니다. 더 긴 시간을 주었을 때 가능했던 작업이 불가능해지지는 않으므로, 판정 결과는 `F F F T T T`처럼 한 번만 바뀝니다. 답을 포함하는 `[left, right]`에서 `mid`가 가능하면 `right = mid`, 불가능하면 `left = mid + 1`로 줄입니다. 시작할 때 `right`가 가능한 값이어야 합니다. ## 가능한 최대값 찾기 반대로 요구하는 최소 간격이 커질수록 배치가 어려워지는 문제는 `T T T F F F`에서 마지막 `true`를 찾습니다. `mid`가 가능하면 `left = mid`, 불가능하면 `right = mid - 1`입니다. 이때는 `mid = left + (right - left + 1) / 2`로 올림합니다. `[3, 4]`에서 내림한 3이 가능하다고 `left = 3`을 다시 대입하면 구간이 줄지 않기 때문입니다. 아래 최대 거리 구현에서 이 차이를 볼 수 있습니다. ## 첫 참과 마지막 참을 나란히 보기 ![첫 참은 가능한 mid를 오른쪽 끝으로 남깁니다. 마지막 참은 가능한 mid를 왼쪽 끝으로 남기며, 두 칸에서 올림 mid를 써야 구간이 줄어듭니다.](https://www.readiz.com/assets/lessons/array-ranges/search-boundaries.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/array-ranges/search-boundaries.svg) · [시간과 거리의 판정 실험](https://www.readiz.com/learn/explore/?demo=parametric) 최소 생산 시간은 `can(t)`가 거짓에서 참으로 바뀌는 첫 위치입니다. 기계 시간이 `[2,3,7]`, 목표가 10개면 11에는 9개, 12에는 11개를 만듭니다. **정확히 10개인 시간**이 아니라 **10개 이상인 첫 시간**을 찾습니다. 최대 간격은 반대로 참에서 거짓으로 바뀌기 직전입니다. 위치 `[1,2,4,8,9]`에 3개를 놓으면 간격 3은 `[1,4,8]`로 가능하지만 4는 불가능합니다. 마지막 참을 찾을 때 `[2,3]`의 mid는 3입니다. 내림한 2로 `left = mid`를 반복하면 멈추지 않습니다. 두 실험의 탐색 범위는 \*\*양 끝을 포함하는 답 구간 `[left,right]`\*\*입니다. 앞의 배열 `lower_bound`가 사용하는 반열린 구간과 코드의 양 끝을 섞지 않습니다. 실험은 먼저 판정한 상태를 보여 주고, 다음 단계에서 경계를 옮깁니다. ## 예시: 최소 처리 시간 여러 기계가 있고, 각 기계 `i`는 물건 하나를 만드는 데 `time[i]`가 걸린다고 하겠습니다. 총 `need`개를 만드는 최소 시간을 구하려면 시간 `t` 안에 만들 수 있는 개수를 세면 됩니다. ```cpp bool canMake(const vector& time, long long need, long long t) { long long made = 0; for (long long one : time) { made += t / one; if (made >= need) return true; } return false; } long long minimumTime(const vector& time, long long need) { long long left = 0; long long right = 1; while (!canMake(time, need, right)) { right *= 2; } while (left < right) { long long mid = left + (right - left) / 2; if (canMake(time, need, mid)) { right = mid; } else { left = mid + 1; } } return left; } ``` 기계는 하나 이상이고, 각 처리 시간과 목표 수량은 양수라고 가정합니다. 가능한 상한을 모르면 위처럼 두 배씩 늘릴 수 있습니다. 다만 `right *= 2`와 생산량 누적이 `long long`을 넘지 않는 입력 범위에서 사용해야 합니다. ## 예시: 가능한 최대 거리 정렬된 위치 배열 `pos`에서 물체 `k`개를 놓되, 인접한 물체 사이 최소 거리를 최대화한다고 하겠습니다. `2 <= k <= pos.size()`이고 좌표가 `0..10^9`라고 가정합니다. 거리 `d`가 가능하면 그보다 작은 거리도 가능하므로 마지막 `true`를 찾습니다. ```cpp bool canPlace(const vector& pos, int k, int d) { int count = 1; int last = pos[0]; for (int i = 1; i < (int)pos.size(); ++i) { if (pos[i] - last >= d) { count++; last = pos[i]; if (count >= k) return true; } } return false; } int maximizeMinimumDistance(vector pos, int k) { sort(pos.begin(), pos.end()); int left = 0; int right = pos.back() - pos.front(); while (left < right) { int mid = left + (right - left + 1) / 2; if (canPlace(pos, k, mid)) { left = mid; } else { right = mid - 1; } } return left; } ``` ## 로컬 연습: 생산 목표를 처음 달성하는 시각 기계 i는 time\[i] 시간마다 제품 하나를 완성하고 모든 기계가 시각 0부터 동시에 작동합니다. K개 이상을 완성하는 최초의 정수 시각을 구하세요. **입력:** N K와 길이 N의 time 배열. 1 <= N <= 200000, 1 <= K <= 10^9, 1 <= time\[i] <= 10^9입니다. **출력:** 최초 시각을 출력합니다. ### 예시 ```text exercise=binary-search role=input 3 10 2 3 7 ``` ```text exercise=binary-search role=output 12 ``` **확인 방법:** 시각 11에는 5+3+1=9개, 12에는 6+4+1=11개입니다. 작은 입력에서 시각을 하나씩 증가시키는 기준 풀이와 대조합니다. 상한은 min(time)\*K이며 생산량 합은 K에 도달하면 판정을 끝내 누적 overflow를 피합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/array-ranges/binary-search.cpp) ```sh c++ -std=c++17 -O2 binary-search.cpp -o lesson ./lesson < input.txt ``` 기본 모드는 앞의 생산 시간 연습을 실행합니다. `N K`와 N개 처리 시간을 읽고 최초 시각을 출력합니다. `1 ≤ N ≤ 200000`, `1 ≤ K ≤ 10^9`, `1 ≤ time[i] ≤ 10^9`입니다. 예제 출력은 12입니다. 이 범위에서는 답이 `min(time) × K ≤ 10^18`이고, 두 배로 늘리는 상한도 `2^60` 이내입니다. 생산량은 목표에 도달하면 반환하므로 덧셈 전 누적값은 K보다 작습니다. 본문 `long long` 코드가 이 입력 범위에서 안전한 이유입니다. 범위를 바꾼다면 상한 증가와 누적 덧셈부터 다시 확인합니다. 배열의 두 경계는 별도 모드로 실행합니다. ```sh ./lesson --bounds < bounds.txt ``` `N target` 뒤 **이미 오름차순인** N개 정수를 읽습니다. `0 ≤ N ≤ 200000`, 모든 값과 target은 `-10^9..10^9`입니다. `lower upper count`를 한 줄에 출력합니다. `5 3`과 배열 `1 3 3 7 9`의 출력은 `1 3 2`, target 10이면 `5 5 0`, 빈 배열이면 `0 0 0`입니다. 정렬되지 않은 입력은 거부합니다. 최대 간격 모드는 다음과 같습니다. ```sh ./lesson --place < placement.txt ``` `N K`와 N개 좌표를 읽고 정렬한 뒤 최대 최소 간격을 출력합니다. `2 ≤ K ≤ N ≤ 200000`, 좌표는 `0..10^9`이고 같은 좌표도 허용합니다. `5 3`과 좌표 `1 2 4 8 9`의 답은 3, 좌표가 모두 같으면 0입니다. 작은 입력에서는 생산 시간을 하나씩 늘리는 풀이, 모든 위치 조합, 배열의 선형 경계 탐색과 비교합니다. 세 모드 모두 필요한 함수와 `main`을 포함합니다. [기존 이분 탐색 노트](https://www.readiz.com/notes/algorithm/general/binarysearch/)에는 과거 구현이 보존되어 있습니다. 일부 조각은 미존재를 -1로 표현하며, 직접 구현의 선언 오타와 `[s,e)` 주석·반복 경계 불일치도 있습니다. 현재 실습에는 이 강의의 `0..n` 경계 규약과 검증한 다운로드 파일을 사용하세요. ## 관련 문서 - [Binary Search](https://www.readiz.com/notes/algorithm/general/binarysearch/index.md) --- --- id: "lessons/coordinate-compression" title: "좌표 압축: 순서는 남기고 값의 크기는 줄이기" description: "큰 값과 중복을 작은 인덱스로 바꾸고, 순위 차이와 실제 거리의 차이를 확인합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["coordinate compression"] url: "https://www.readiz.com/records/coordinate-compression/" markdownUrl: "https://www.readiz.com/records/coordinate-compression/index.md" recordFolder: "강의/구간 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B5%AC%EA%B0%84+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # 좌표 압축: 순서는 남기고 값의 크기는 줄이기 값이 1조여도 서로 다른 값이 몇 개 없다면, 그 값들을 작은 배열의 인덱스로 바꿀 수 있습니다. 단, 압축한 인덱스는 순위를 나타낼 뿐 원래 거리를 나타내지는 않습니다. 이 구분을 손으로 확인하고, 중복과 음수가 있는 입력을 실행합니다. 좌표 압축은 값의 크기 자체는 크지만 서로 다른 값의 개수가 작을 때, 값을 `0..m-1` 또는 `1..m` 범위의 인덱스로 바꾸는 기법입니다. Fenwick Tree, Segment Tree, 스위프 라인, 오프라인 쿼리에서 자주 함께 쓰입니다. ## 값은 크지만 서로 다른 값의 개수는 작을 때 예를 들어 좌표가 `1`, `1,000,000,000`, `500,000,000`처럼 크면 좌표를 그대로 배열 인덱스로 쓸 수 없습니다. 하지만 실제로 등장한 값이 3개뿐이라면, 정렬 순서만 유지해서 아래처럼 바꿀 수 있습니다. ```text 원래 값: 1, 500000000, 1000000000 압축 값: 0, 1, 2 ``` 중요한 것은 **대소 관계를 보존한다**는 점입니다. 원래 값이 작을수록 압축 인덱스도 작습니다. ## 정렬 + unique 먼저 모든 값을 한 벡터에 모아 정렬하고 중복을 제거합니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp vector values = a; sort(values.begin(), values.end()); values.erase(unique(values.begin(), values.end()), values.end()); ``` 이제 `values[i]`는 압축 인덱스 `i`가 나타내는 원래 값입니다. ## lower_bound로 압축 인덱스 만들기 원래 값 `x`의 압축 인덱스는 `lower_bound`로 찾습니다. ```cpp int compress(const vector& values, int x) { return lower_bound(values.begin(), values.end(), x) - values.begin(); } ``` 모든 `x`가 `values`에 들어 있다는 전제가 있어야 합니다. `lower_bound`는 없는 값에도 삽입 위치를 반환하므로, 끝에 도달했는지와 실제 값이 `x`인지 구분합니다. 온라인으로 새로운 값이 중간에 들어오는 문제라면, 먼저 모든 쿼리를 읽어 등장 가능한 값을 모으는 오프라인 처리가 필요할 수 있습니다. ## 압축부터 복원까지 따라가기 [정렬·중복 제거·순위 매핑 실험](https://www.readiz.com/learn/explore/?demo=compression) 입력 `[-10, 100, -10, 7, 100, 8]`을 정렬하면 `[-10, -10, 7, 8, 100, 100]`, 중복을 없애면 `[-10, 7, 8, 100]`입니다. 원래 순서에서 각각의 위치를 찾으면 `[0, 3, 0, 1, 3, 2]`가 됩니다. 같은 값은 같은 인덱스를 공유하지만, 입력 원소 자체를 삭제하지는 않습니다. ![원래 값 10,20,100은 순위 0,1,2가 됩니다. 순위 간격은 둘 다 1이지만 실제 구간 길이는 10과 80입니다. 원래 값 배열을 보관해야 길이를 복원할 수 있습니다.](https://www.readiz.com/assets/lessons/range-structures/compression-gaps.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/compression-gaps.svg) 작은 순위만 저장해도 되는 빈도·대소 비교와, 원래 간격이 필요한 길이·넓이 계산을 구분하세요. 압축한 두 구간을 각각 길이 1로 세면 전체 길이를 2로 계산하지만, 원래 `[10,100)`의 길이는 90입니다. **정수 범위도 함께 옮겨야 합니다.** 위 개념 조각은 `vector`이지만 아래 연습은 절댓값 `10^12`까지 받습니다. 다운로드 예제에서는 원본 값과 중복 제거 배열을 `long long`으로, 압축 인덱스를 `int`로 저장합니다. ## 압축한 값을 빈도 인덱스로 쓰기 역전쌍은 `i < j`인데 `a[i] > a[j]`인 쌍입니다. 왼쪽부터 읽으면서 [Fenwick Tree](https://www.readiz.com/records/fenwick-tree/)에 값별 등장 횟수를 저장하면 셀 수 있습니다. 현재 값의 0-based 압축 인덱스가 `r`이고 앞에서 `i`개를 읽었다면, 1-based Fenwick에서 새 역전쌍은 `i - prefixSum(r + 1)`개입니다. `prefixSum(r + 1)`는 현재 값 **이하**의 개수이므로 같은 값끼리는 세지 않습니다. 답에 더한 뒤 `add(r + 1, 1)`로 빈도를 1 올립니다. `[3, 1, 3, 2]`를 읽으면 새로 생기는 쌍은 차례로 `0, 1, 0, 2`개, 총 3개입니다. 압축 순위와 Fenwick 인덱스 사이의 `+1`을 질의와 갱신 양쪽에 적용합니다. ## 구간 좌표 압축에서 주의할 점 [원문의 구조 그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/coordinate-compression-original.svg) `[10,20)`과 `[20,100)`은 압축 후 각각 한 칸이지만 길이는 10과 80입니다. 길이·넓이를 합산할 때는 원본 좌표 간격을 함께 저장합니다. 구간 `[l, r]`을 다룰 때는 문제의 의미에 따라 `r + 1`도 같이 넣어야 할 수 있습니다. 예를 들어 차분 배열처럼 `[l, r]`에 더하고 `r + 1`에서 빼는 방식이면 `r + 1` 좌표가 반드시 필요합니다. 또 면적이나 길이를 계산하는 문제에서는 압축 인덱스 차이가 실제 거리와 다릅니다. 이때는 `values[i + 1] - values[i]`처럼 원래 좌표 간격을 곱해야 합니다. ## 시간 복잡도 | 작업 | 시간 | | --------------------- | ------------ | | 값 수집 | `O(n)` | | 정렬과 중복 제거 | `O(n log n)` | | 값 하나 압축 | `O(log n)` | | unordered map으로 미리 매핑 | 평균 `O(1)` | | 메모리 | `O(n)` | ## 로컬 연습: 중복과 음수가 있는 값의 순위 서로 다른 값을 정렬한 뒤 각 원소를 그 배열에서의 0-based 위치로 바꾸세요. 압축값의 차이가 실제 거리라고 가정하지 않습니다. **입력:** N과 길이 N의 정수 배열. 1 <= N <= 200000, |a\[i]| <= 10^12입니다. **출력:** 첫 줄에 서로 다른 값의 수, 둘째 줄에 원래 순서의 압축값, 셋째 줄에 정렬된 서로 다른 원본 값을 출력합니다. ### 예시 ```text exercise=coordinate-compression role=input 6 -10 100 -10 7 100 8 ``` ```text exercise=coordinate-compression role=output 4 0 3 0 1 3 2 -10 7 8 100 ``` **확인 방법:** 원본의 같음·대소 관계가 압축값에서도 유지되고 coords\[rank\[i]]가 a\[i]로 복원되는지 확인합니다. 전부 같은 값, 감소 순서, 64비트 값을 검사합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/range-structures/coordinate-compression.cpp) ```sh c++ -std=c++17 -O2 coordinate-compression.cpp -o lesson ./lesson < input.txt ``` 원본 값은 64비트 정수, 순위는 0-based입니다. 위 예제의 세 줄을 그대로 출력합니다. 파일은 정렬과 중복 제거, 순위 조회를 `compressValues` 함수로 묶고 `main`까지 포함합니다. 입력 `[-1000000000000, 1000000000000, -1000000000000]`이면 서로 다른 값은 2개, 순위는 `[0,1,0]`입니다. 값이 모두 같으면 모두 0이 됩니다. 출력한 원본 값 배열 `coords`를 사용해 모든 위치에서 `coords[rank[i]] == input[i]`가 성립하는지 확인하세요. 이 검사는 순서와 중복 처리를 함께 확인합니다. [Fenwick Tree](https://www.readiz.com/records/fenwick-tree/)와 연결할 때는 압축 순위에 1을 더해 호출합니다. 역전쌍에서 같은 값을 제외하려면 ‘현재 값 이하’의 개수를 빼야 한다는 점도 확인하세요. 압축이 실제 값의 중복까지 없애 주는 것은 아닙니다. --- --- id: "lessons/dijkstra" title: "Dijkstra: 거리 갱신과 최단 경로 복원" description: "발견한 거리와 확정된 거리를 구분하고, 오래된 후보를 걸러 최단 경로를 찾습니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["graph","dijkstra","shortest path"] url: "https://www.readiz.com/records/dijkstra/" markdownUrl: "https://www.readiz.com/records/dijkstra/index.md" recordFolder: "강의/그래프 탐색" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B7%B8%EB%9E%98%ED%94%84+%ED%83%90%EC%83%89" --- # Dijkstra: 거리 갱신과 최단 경로 복원 BFS는 이동 비용이 같을 때 가까운 곳부터 방문합니다. 이동마다 비용이 달라지면, 먼저 발견한 정점이 가장 가까운 정점이라는 보장이 사라집니다. [격자 탐색](https://www.readiz.com/records/bfs-dfs-grid/)과 [우선순위 큐](https://www.readiz.com/records/priority-queue-heap/)를 읽었다면 두 도구가 어디에서 달라지는지 비교하며 따라갈 수 있습니다. Dijkstra 알고리즘은 **간선 가중치가 음수가 없는 그래프**에서, 한 시작 정점으로부터 다른 모든 정점까지의 최단거리를 구하는 알고리즘입니다. 한국어로는 보통 **다익스트라 알고리즘**이라고 부릅니다. 가장 대표적인 문제는 다음 형태입니다. ```text 정점과 가중치가 있는 간선이 주어진다. 시작 정점 s에서 각 정점 v까지의 최단거리 dist[v]를 구한다. 모든 간선의 가중치는 0 이상이다. ``` 모든 경로를 직접 나열하면 경우의 수가 너무 많습니다. Dijkstra는 "지금까지 알려진 거리 중 가장 작은 정점은 이제 확정해도 된다"는 성질을 이용해 필요한 후보만 확장합니다. ## 최단거리 배열 `dist[v]`는 시작점에서 정점 `v`까지 현재까지 발견한 가장 짧은 거리입니다. 처음에는 시작점만 거리가 `0`이고, 나머지는 아직 모른다는 뜻으로 충분히 큰 값 `INF`를 넣습니다. 알고리즘이 진행되면서 더 짧은 경로를 발견하면 `dist` 값을 줄입니다. 이 작업을 보통 **relax**라고 부릅니다. ```text u까지의 거리 + 간선 (u -> v)의 비용이 현재 dist[v]보다 작으면 dist[v]를 갱신한다. ``` ## 가장 가까운 후보부터 본다 Dijkstra의 핵심 선택은 단순합니다. ```text 아직 확정하지 않은 정점 중 dist 값이 가장 작은 정점을 고른다. ``` 이 정점을 `u`라고 합시다. 모든 간선 가중치가 0 이상이면, 아직 확정하지 않은 다른 정점을 거쳐 다시 `u`로 오는 경로가 더 짧아질 수 없습니다. 다른 후보들의 현재 거리도 `dist[u]` 이상이고, 거기에 0 이상의 간선을 더해도 `dist[u]`보다 작아질 수 없기 때문입니다. 그래서 `u`의 거리는 최단거리로 확정할 수 있습니다. 그다음 `u`에서 나가는 간선을 보며 이웃 정점의 거리를 갱신합니다. ## 작은 예시 다음 그래프에서 `0`번 정점에서 시작한다고 해봅시다. ```text 0 --2--> 1 --1--> 2 0 --5--> 2 --2--> 3 1 --4--> 3 ``` 초기 상태는 아래와 같습니다. | 단계 | 확정 정점 | dist | | ---- | ---------- | -------------------- | | 시작 | 없음 | `[0, INF, INF, INF]` | | 0 확정 | 0 | `[0, 2, 5, INF]` | | 1 확정 | 0, 1 | `[0, 2, 3, 6]` | | 2 확정 | 0, 1, 2 | `[0, 2, 3, 5]` | | 3 확정 | 0, 1, 2, 3 | `[0, 2, 3, 5]` | `2`번 정점의 처음 거리는 `0 -> 2`로 가는 `5`였습니다. 하지만 `1`을 확정한 뒤 `0 -> 1 -> 2` 경로를 발견하면서 `3`으로 줄어듭니다. ## 우선순위 큐 구현 [Dijkstra: 거리 갱신과 낡은 후보 건너뛰기](https://www.readiz.com/learn/lab/?demo=dijkstra) 우선순위 큐의 후보와 현재 최단거리 배열을 나란히 비교해 보세요. 더 짧은 경로를 찾은 뒤에도 큐에 남아 있는 이전 후보를 꺼내면, 거리 불일치를 확인하고 확장하지 않습니다. 매번 아직 확정하지 않은 모든 정점을 훑어 최솟값을 찾으면 `O(V^2)`입니다. 간선이 많지 않은 그래프에서는 우선순위 큐를 써서 더 빠르게 구현합니다. C++의 `priority_queue`는 기본이 max heap이므로, `greater`를 붙여 min heap처럼 사용합니다. 아래 코드는 방향 그래프이며, 무방향 간선이면 양쪽 인접 리스트에 모두 추가합니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp #include #include #include using namespace std; const long long INF = 4e18; struct Edge { int to; long long cost; }; vector dijkstra(const vector>& graph, int start) { int n = (int)graph.size(); vector dist(n, INF); priority_queue< pair, vector>, greater> > pq; dist[start] = 0; pq.push({0, start}); while (!pq.empty()) { auto [currentDist, u] = pq.top(); pq.pop(); if (currentDist != dist[u]) { continue; } for (const Edge& edge : graph[u]) { int v = edge.to; long long nextDist = currentDist + edge.cost; if (nextDist < dist[v]) { dist[v] = nextDist; pq.push({nextDist, v}); } } } return dist; } ``` `currentDist != dist[u]`인 항목을 건너뛰는 부분이 중요합니다. 같은 정점의 거리가 여러 번 줄어들면 우선순위 큐 안에 오래된 후보가 남을 수 있습니다. 큐에서 꺼냈을 때 현재 `dist`와 다르면 이미 더 좋은 경로가 발견된 것이므로 버립니다. ## 발견한 거리와 확정된 거리 ![0에서 2로 직접 가면 비용 5지만 0,1,2 순서로 가면 3입니다. 거리 3인 후보를 먼저 처리하고, 큐에 남은 거리 5인 후보는 최신 거리와 달라 버립니다.](https://www.readiz.com/assets/lessons/graph-search/dijkstra-stale.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/dijkstra-stale.svg) 위 작은 예시에서 정점 2를 힙에 처음 넣었을 때의 거리는 5입니다. 아직 답은 아닙니다. 1을 거쳐 3으로 줄어든 뒤에는 `(3, 2)`와 `(5, 2)`가 동시에 힙에 남습니다. 작은 값을 먼저 꺼내므로 3을 처리하고, 나중의 5는 버립니다. 그래프의 정점 하나와 힙의 후보 하나를 같은 것으로 생각하지 않는 것이 핵심입니다. 위 표는 정점 `0..3`을 사용하고, 그림은 그중 `0,1,2` 사이의 거리 갱신을 확대해 보여 줍니다. 연결된 데모는 `S,A,B,C,D`로 된 별도 예제입니다. 데모의 **‘낡은 후보’ 단계**에서 최신 거리 배열과 꺼낸 값을 대조해 보세요. 데모의 큐 표는 우선순위순 논리 목록이며 실제 힙 배열의 저장 순서를 뜻하지 않습니다. ## 왜 음수 간선이 있으면 안 될까 Dijkstra는 가장 가까운 후보를 꺼내는 순간 그 거리를 확정합니다. 이 말은 "나중에 돌아오는 경로가 이 값을 더 줄일 수 없다"는 뜻입니다. 음수 간선이 있으면 이 전제가 깨집니다. ```text 0 -> 1 비용 2 0 -> 2 비용 5 2 -> 1 비용 -10 ``` 시작점이 `0`이면 처음에는 `dist[1] = 2`, `dist[2] = 5`입니다. Dijkstra는 `1`을 먼저 확정하려고 합니다. 하지만 실제로는 `0 -> 2 -> 1` 경로의 비용이 `-5`입니다. 나중에 더 짧아지는 길이 존재하므로, 확정 선택이 안전하지 않습니다. 다만 **위 코드 전체를 이 예시에 실행하면 `dist[1] = -5`를 반환합니다.** 방문한 정점을 막는 배열이 없어서 `1(거리 2) → 2(거리 5) → 1(거리 -5)` 순서로 다시 꺼내기 때문입니다. 이 예시는 현재 코드의 오답 예시가 아니라, 한 번 꺼낸 거리를 확정할 수 없다는 반례입니다. 목표가 `1`이라고 첫 pop에서 종료하면 `2`를 반환하여 틀립니다. 재삽입을 허용하면 음수 사이클이 없는 입력에서도 같은 정점을 여러 번 처리할 수 있어 아래의 Dijkstra 시간 보장이 사라집니다. 도달 가능한 음수 사이클이 있으면 거리 감소가 반복되어 종료도 보장되지 않습니다. 음수 간선이 있는 문제에는 Bellman-Ford를, DAG라면 위상 순서에 따른 완화를 사용합니다. 재삽입 구현과 확정 구현의 차이는 [Princeton의 Shortest Paths Q\&A](https://algs4.cs.princeton.edu/44sp/)에서도 다룹니다. ## 시간 복잡도 우선순위 큐 구현의 시간 복잡도는 보통 아래처럼 봅니다. ```text O((V + E) log V) ``` - `V`: 정점 수 - `E`: 간선 수 위 구현은 오래된 항목을 남기므로 힙 크기는 `O(E)`, 시간은 `O(V + E log(E + 1))`입니다. 단순 그래프에서는 `E <= V²`여서 위의 `log V` 표기로 쓸 수 있습니다. 입력이 아주 조밀해서 `E`가 `V^2`에 가까우면 단순 `O(V^2)` 구현이 더 편할 때도 있지만, 일반적인 문제에서는 우선순위 큐 구현을 기본으로 씁니다. ## 출발점이나 도착점이 여러 개인 경우 가장 가까운 출발점까지의 거리가 필요하면 모든 출발점의 거리를 0으로 두고 처음부터 힙에 함께 넣습니다. 이후 반복문은 같습니다. 모든 간선 비용이 비음수라는 전제에서, 목표 하나의 거리만 필요하면 오래된 후보를 거르는 검사 뒤에 `u == target`인지 확인하고 종료할 수 있습니다. 목표를 힙에 **넣은 순간**에는 아직 더 짧은 경로가 나타날 수 있으므로 종료하면 안 됩니다. 거리 합은 `long long`으로 계산합니다. `INF`는 가능한 실제 거리보다 크고 간선 비용을 더해도 정수 범위를 넘지 않도록 잡습니다. ## 경로 복원 거리뿐 아니라 실제 최단 경로도 필요하면, 거리를 갱신할 때 이전 정점을 저장합니다. `parent`를 -1로 초기화하고, `dist[v]`를 줄이는 분기에서 `parent[v] = u`를 함께 기록합니다. 목표 정점 `target`에서 `parent`를 따라 시작점까지 거슬러 올라간 뒤 뒤집으면 경로가 됩니다. ```cpp #include vector restorePath(int target, const vector& parent) { vector path; for (int v = target; v != -1; v = parent[v]) { path.push_back(v); } reverse(path.begin(), path.end()); return path; } ``` 단, `dist[target] == INF`라면 시작점에서 도달할 수 없는 정점입니다. 이 경우에는 경로 복원을 하지 않거나 빈 경로로 처리합니다. ## 더 단순한 큐로 충분한 경우 모든 간선 비용이 1이면 [BFS](https://www.readiz.com/records/bfs-dfs-grid/), 0과 1만 있으면 [0-1 BFS](https://www.readiz.com/records/zero-one-bfs/)로 처리할 수 있습니다. 거리 순서를 유지하는 데 일반적인 최소 힙까지 필요하지 않기 때문입니다. ## 로컬 연습: 비음수 방향 그래프의 거리 시작점에서 각 정점까지의 최소 비용을 구하세요. 평행 간선과 비용 0인 간선도 허용합니다. **입력:** N M S 뒤 M줄의 u v w. 1 <= N <= 200000, 0 <= M <= 400000, 0 <= w <= 10^9, 정점은 0-based입니다. **출력:** 정점 번호순 최소 비용을 한 줄에 출력하고 도달 불가 정점은 -1로 표시합니다. ### 예시 ```text exercise=dijkstra role=input 5 6 0 0 1 4 0 2 1 2 1 2 1 3 1 2 3 7 0 1 5 ``` ```text exercise=dijkstra role=output 0 3 1 4 -1 ``` **확인 방법:** 0→2→1→3은 비용 4입니다. 작은 입력은 Bellman-Ford와 대조합니다. 큐에서 꺼낸 오래된 거리 후보를 건너뛰고, 모든 거리와 누적 비용은 long long으로 계산합니다. 제출용 전환에서는 고정 인접 리스트와 공통 최소 힙을 사용하되 성공한 완화마다 push할 공간을 확보합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/graph-search/dijkstra.cpp) ```sh c++ -std=c++17 -O2 dijkstra.cpp -o lesson ./lesson < input.txt ``` 파일은 기본 모드에서 위 연습의 `N M S`와 간선을 읽어 거리만 출력합니다. 본문의 `dijkstra` 함수는 그대로 보존했고, `--path T` 모드를 위한 경로 기록 함수를 별도로 포함합니다. 두 방식의 거리가 일치하는지도 검증합니다. ```sh ./lesson --path 3 < input.txt ``` 위 예제에서는 첫 줄 `0 3 1 4 -1`, 둘째 줄 `0 2 1 3`을 출력합니다. `--path 4`는 둘째 줄에 `UNREACHABLE`을 출력합니다. 시작점까지의 경로는 시작점 하나입니다. 비용이 같은 경로가 여러 개면 그중 하나를 반환하며, 사전순 최소 경로를 보장하지 않습니다. 복원용 `parent`는 거리가 **엄격히 줄어들 때만** 갱신합니다. 비용 0인 간선이나 사이클이 있어도 동률마다 부모를 바꾸지 않습니다. 도달 불가를 먼저 검사하므로 `parent == -1`인 목표 하나를 가짜 경로로 출력하지 않습니다. 거리 합은 64비트이고, 연습 입력 범위에서 가능한 단순 경로 비용은 `INF`보다 충분히 작습니다. [기존 Dijkstra 코드 노트](https://www.readiz.com/notes/algorithm/graph/dijkstra/)도 함께 볼 수 있습니다. 기존 기록의 코드·작성 시점은 유지하며, 이 강의의 다운로드 파일을 현재 실습 기준으로 사용합니다. ## 관련 문서 - [Dijkstra](https://www.readiz.com/notes/algorithm/graph/dijkstra/index.md) --- --- id: "lessons/fenwick-tree" title: "Fenwick Tree: 바뀌는 배열의 구간 합" description: "누적합을 다시 만들지 않고, 점 갱신과 구간 합을 로그 시간에 처리합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["data structure","fenwick tree","sum"] url: "https://www.readiz.com/records/fenwick-tree/" markdownUrl: "https://www.readiz.com/records/fenwick-tree/index.md" recordFolder: "강의/구간 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B5%AC%EA%B0%84+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # Fenwick Tree: 바뀌는 배열의 구간 합 [누적합과 차분 배열](https://www.readiz.com/records/prefix-sum-difference/)에서는 갱신을 모두 모은 뒤 질의했습니다. 이번에는 갱신 직후 바로 구간 합을 물어봅니다. 원래 배열과 각 칸이 담당하는 구간을 나란히 놓으면 `idx & -idx`가 단순한 비트 연산 요령이 아니라 구간을 나누는 규칙임을 볼 수 있습니다. Fenwick Tree는 배열의 **prefix 합**을 빠르게 관리하는 자료구조입니다. Binary Indexed Tree, 줄여서 BIT라고도 부릅니다. 가장 대표적인 문제는 다음 형태입니다. ```text 배열 a가 있다. 1. a[idx]에 값을 더한다. 2. 구간 [l, r]의 합을 빠르게 구한다. ``` 누적합 배열만 있으면 구간 합은 `O(1)`이지만, 중간 값이 바뀔 때 누적합을 다시 고치는 데 `O(n)`이 걸립니다. Fenwick Tree는 값을 바꾸는 작업과 합을 묻는 작업을 모두 `O(log n)`에 처리합니다. [Segment Tree](https://www.readiz.com/records/segment-tree/)보다 할 수 있는 일은 좁지만, 구간 합처럼 prefix로 표현되는 문제에서는 코드가 짧고 빠릅니다. ## prefix 합으로 생각하기 구간 합은 prefix 합 두 개로 바꿀 수 있습니다. ```text sum(l, r) = prefixSum(r) - prefixSum(l - 1) ``` 그래서 Fenwick Tree는 `prefixSum(x)`를 빠르게 구하는 데 집중합니다. 각 칸은 배열의 한 구간 합을 저장하고, 여러 칸을 더해 원하는 prefix를 만듭니다. Fenwick Tree는 보통 1-indexed로 구현합니다. 입력이 0-indexed라면 함수에 넣기 전에 `idx + 1`로 바꾸거나, wrapper에서 처리하면 됩니다. ## lowbit Fenwick Tree의 핵심은 가장 낮은 1비트만 남기는 `lowbit(x) = x & -x`입니다. `lowbit(x)`는 `x`의 이진수에서 가장 낮은 1비트가 나타내는 값을 반환합니다. | x | 이진수 | lowbit(x) | | - | ------ | --------- | | 1 | `0001` | 1 | | 2 | `0010` | 2 | | 3 | `0011` | 1 | | 4 | `0100` | 4 | | 6 | `0110` | 2 | | 8 | `1000` | 8 | Fenwick Tree의 `tree[i]`는 길이가 `lowbit(i)`인 구간의 합을 저장합니다. 정확히는 다음 구간입니다. ```text tree[i] = a[i - lowbit(i) + 1] + ... + a[i] ``` 예를 들어 `tree[8]`은 `lowbit(8) = 8`이므로 `a[1]`부터 `a[8]`까지의 합을 담고, `tree[6]`은 `lowbit(6) = 2`이므로 `a[5] + a[6]`을 담습니다. ## prefixSum ![prefixSum(13)은 tree\[13\]의 한 칸, tree\[12\]의 9부터 12까지 네 칸, tree\[8\]의 1부터 8까지 여덟 칸을 더합니다. lowbit를 빼며 인덱스 13, 12, 8, 0으로 이동하고 세 구간은 1부터 13까지를 겹침 없이 덮습니다.](https://www.readiz.com/assets/lessons/range-structures/fenwick-tree-original.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/fenwick-tree-original.svg) `prefixSum(idx)`는 `a[1] + ... + a[idx]`를 구합니다. 현재 위치의 구간을 더한 뒤, 그 구간 바로 앞 위치로 이동합니다. 예를 들어 `prefixSum(13)`은 다음 칸들을 더합니다. ```text 13 -> 12 -> 8 -> 0 ``` `tree[13]`은 마지막 1개, `tree[12]`는 그 앞 4개, `tree[8]`은 그 앞 8개를 담당합니다. 합치면 1부터 13까지의 합이 됩니다. ## add `a[idx]`에 `delta`를 더할 때는 `idx`를 포함하는 Fenwick Tree 칸들을 모두 고쳐야 합니다. `prefixSum`이 아래쪽으로 내려간다면, `add`는 위쪽으로 올라갑니다. `idx += lowbit(idx)`를 반복하면 현재 원소를 포함하는 더 큰 구간으로 이동합니다. `idx = 0`에서는 `lowbit(0) = 0`이라 루프가 끝나지 않으므로, `add`에는 1 이상의 인덱스만 넘깁니다. ## 같은 원소가 어떤 칸들을 바꾸는가 ![길이 8 배열에서 prefixSum(7)은 7,6,4를 읽습니다. 3번 원소에 5를 더할 때는 그 원소를 포함하는 tree 3,4,8을 갱신합니다.](https://www.readiz.com/assets/lessons/range-structures/fenwick-update.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/fenwick-update.svg) [Fenwick 담당 구간과 갱신 실험](https://www.readiz.com/learn/explore/?demo=fenwick) 초기 배열이 `[1,2,3,4,5,6,7,8]`이면 `prefixSum(7)`은 `tree[7] + tree[6] + tree[4] = 7 + 11 + 10 = 28`입니다. 세 칸이 담당하는 구간은 `[7,7]`, `[5,6]`, `[1,4]`로 서로 겹치지 않습니다. 3번 원소에 5를 더하면 `tree[3]`, `tree[4]`, `tree[8]`만 바뀝니다. 모두 3번 원소를 포함하는 구간입니다. 7까지 합을 다시 물으면 33이 나옵니다. **질의는 겹치지 않는 구간을 모으고, 갱신은 해당 원소를 포함한 구간을 고칩니다.** 화살표 방향을 외우기보다 이 차이를 먼저 확인하세요. 데모는 갱신이 진행되는 중간 상태도 보여줍니다. 그 상태에서는 질의를 끼워 넣지 않으며 모든 갱신 칸을 고친 뒤 다시 합을 계산합니다. 음수 덧셈도 합 질의에는 문제가 없지만, 아래 `lowerBound`는 모든 원소가 비음수여야 사용할 수 있습니다. ## 전체 구현 아래 구현은 1-indexed Fenwick Tree입니다. `add`에는 `1..n`, `prefixSum`에는 `0..n`, `rangeSum`에는 `1 <= l <= r <= n`을 전달합니다. 원소별 `add`로 초기화하므로 빌드는 `O(n log n)`, 이후 갱신과 질의는 `O(log n)`입니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp #include using namespace std; struct FenwickTree { int n; vector tree; FenwickTree(int n) : n(n), tree(n + 1, 0) {} FenwickTree(const vector& values) { n = (int)values.size(); tree.assign(n + 1, 0); for (int i = 0; i < n; ++i) { add(i + 1, values[i]); } } void add(int idx, long long delta) { while (idx <= n) { tree[idx] += delta; idx += idx & -idx; } } long long prefixSum(int idx) const { long long result = 0; while (idx > 0) { result += tree[idx]; idx -= idx & -idx; } return result; } long long rangeSum(int l, int r) const { return prefixSum(r) - prefixSum(l - 1); } void setValue(int idx, long long oldValue, long long newValue) { add(idx, newValue - oldValue); } }; ``` `setValue`처럼 값을 대입하는 연산을 만들 때는 기존 값을 알아야 합니다. Fenwick Tree 자체는 "얼마를 더할지"를 받는 구조이므로, 원본 배열을 따로 들고 있으면 더 편합니다. ## lower_bound 모든 값이 음수가 아니면, Fenwick Tree로 "prefix 합이 처음으로 target 이상이 되는 위치"도 찾을 수 있습니다. 다음 멤버 함수를 위 `FenwickTree` 안에 추가합니다. `target <= 0`은 1, 전체 합보다 큰 target은 `n + 1`을 반환합니다. 값별 빈도를 저장했다면 `lowerBound(k)`로 k번째 원소의 값 인덱스를 찾을 수 있습니다. ```cpp int lowerBound(long long target) const { if (target <= 0) return 1; if (target > prefixSum(n)) return n + 1; int idx = 0; int bit = 1; while (bit <= n / 2) bit <<= 1; for (; bit > 0; bit >>= 1) { int next = idx + bit; if (next <= n && tree[next] < target) { idx = next; target -= tree[next]; } } return idx + 1; } ``` 이 함수는 Fenwick Tree 위에서 이진 탐색을 하는 느낌입니다. 왼쪽부터 구간을 크게 붙여 보면서 target에 아직 못 미치면 그 구간을 통째로 건너뜁니다. 주의할 점은 값이 음수일 수 있으면 prefix 합이 단조 증가하지 않는다는 것입니다. 그 경우에는 이 방식으로 lower_bound를 할 수 없습니다. ## 로컬 연습: 점 덧셈과 구간 합 배열의 점 덧셈과 닫힌 구간 합을 처리하세요. 이 연습은 본문의 Fenwick 구현과 같은 1-based 인덱스를 사용합니다. **입력:** N Q, N개 초기 값, Q개 연산. A i delta는 점 덧셈, S l r은 \[l,r] 합입니다. 1 <= N <= 200000, 0 <= Q <= 200000, |초기 값|,|delta| <= 10^9, 1 <= l <= r <= N입니다. **출력:** S 연산의 답을 한 줄씩 출력합니다. ### 예시 ```text exercise=fenwick-tree role=input 5 5 1 2 3 4 5 S 1 5 A 3 -5 S 2 4 A 1 10 S 1 1 ``` ```text exercise=fenwick-tree role=output 15 4 11 ``` **확인 방법:** 작은 배열을 직접 갱신·합산하는 기준 풀이와 비교합니다. i=1, i=N, l=r, 음수 갱신을 검사합니다. 실제 Fenwick 내부 함수에 index 0을 넣으면 lowbit 진행이 멈추므로 wrapper에서 경계를 맞춥니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/range-structures/fenwick-tree.cpp) ```sh c++ -std=c++17 -O2 fenwick-tree.cpp -o lesson ./lesson < input.txt ``` 기본 모드는 위 연습의 `A i delta`, `S l r`을 처리하고 `15`, `4`, `11`을 출력합니다. 본문의 `FenwickTree`에 `lowerBound` 멤버를 붙여 하나의 완성 파일로 조합했습니다. 공개 함수는 설명한 인덱스 계약을 따르며, 실행 파일의 입력부는 0이나 범위 밖 인덱스를 거부합니다. 순위 탐색은 별도 모드로 실행합니다. ```sh ./lesson --select < select-input.txt ``` 이 모드는 `N Q`, N개의 **비음수** 값, Q개의 target을 순서대로 읽고 각 `lowerBound(target)`을 출력합니다. `1 ≤ N ≤ 200000`, `0 ≤ Q ≤ 200000`, `0 ≤ 값 ≤ 10^9`, `|target| ≤ 10^15`입니다. 갱신은 하지 않습니다. target≤0은 1, 전체 합보다 크면 N+1입니다. ```text 5 4 2 0 3 1 0 0 2 3 7 ``` 결과는 `1,1,3,6`입니다. 합 질의에서 허용하는 음수 갱신을 이 모드까지 그대로 허용하면 안 됩니다. 작은 배열은 선형으로 누적합을 읽어 처음 target 이상이 되는 위치와 비교합니다. [기존 Fenwick 코드 노트](https://www.readiz.com/notes/data-structure/tree/fenwick/)도 함께 볼 수 있습니다. 기존 기록의 코드·작성 시점은 유지하며, 이 강의의 다운로드 파일을 현재 실습 기준으로 사용합니다. ## 관련 문서 - [Fenwick Tree](https://www.readiz.com/notes/data-structure/tree/fenwick/index.md) --- --- id: "lessons/heuristic-beam-search" title: "설치 일정과 Beam Search: 남길 후보와 실행할 답" description: "분기 후보와 경로 후보를 따로 줄이고, 탐색 평가값과 실제 점수를 구분합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["휴리스틱","beam search"] url: "https://www.readiz.com/records/heuristic-beam-search/" markdownUrl: "https://www.readiz.com/records/heuristic-beam-search/index.md" recordFolder: "강의/휴리스틱/일정·배치" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1%2F%EC%9D%BC%EC%A0%95%C2%B7%EB%B0%B0%EC%B9%98" --- # 설치 일정과 Beam Search: 남길 후보와 실행할 답 Beam Search는 부분 일정 여러 개를 남기고, 각각을 한 방문씩 늘린 뒤 다시 좋은 후보만 추리는 탐색입니다. 이 사례에서는 다음 주택 후보와 여러 방문으로 이루어진 경로 후보를 서로 다른 기준으로 줄입니다. ![폭 2인 Beam Search에서 첫 단계 key 91과 88을 남깁니다. 이 둘을 확장해 얻은 107, 103, 94, 81 중 전체 상위 두 개인 107과 103을 남깁니다. 탈락한 72는 확장하지 않습니다.](https://www.readiz.com/assets/lessons/heuristic-planning/beam-search.svg) 그림은 폭 `K = 2`인 설명용 예시입니다. 숫자는 실제 채점 점수 `score`가 아니라 후보 유지용 평가값 `key`이며, 모든 부모에서 나온 다음 상태를 모아 상위 K개를 선택합니다. 두 후보가 같은 부모에서 나와도 됩니다. ## 문제 계약부터 상태로 옮기기 제출 코드가 받거나 호출하는 인터페이스는 다음과 같습니다. > **코드 환경: h-contest 설계 조각.** 표준 헤더·STL 없이 상태와 탐색 일부를 설명합니다. 문제의 공개 API와 전체 상태 관리에 연결하여 사용합니다. ```cpp #define MAP_SIZE 100 extern void move(int y, int x); extern void nextDay(void); void process(int mapInfo[][MAP_SIZE], int posY, int posX); ``` | 항목 | 계약 | | ----- | ------------------------------------- | | 지도 | `100 × 100`, 각 칸은 빈 칸 또는 타입 `1..6` 주택 | | 이동 | 두 좌표의 맨해튼 거리만큼 시간 사용 | | 설치 | 타입에 따라 60분부터 210분까지 사용 | | 하루 | 최대 720분 | | 일정 | 31일, `nextDay()`는 최대 30번 | | 날짜 변경 | 사용 시간만 0으로 만들고 현재 위치는 유지 | | 수익 | 주택별 기본 수익과 480분 이후 분당 200점 수당 | | 방문 상태 | 설치한 주택은 사라지지만 전달받은 `mapInfo`는 바뀌지 않음 | 마지막 항목 때문에 제출 코드는 실제 설치한 주택을 따로 기록해야 합니다. Beam Search 안에서 가상으로 선택한 주택과 실제로 `move`를 호출해 설치한 주택도 구분해야 합니다. ```cpp struct House { int y, x, type; int used; // 이전 날짜까지 실제로 설치했는가? }; ``` ## 하루 경로의 정확한 깊이 상한 가장 짧은 타입 1 설치도 60분이 걸립니다. 이동 시간이 0이어도 하루 최대 방문 수는 다음과 같습니다. ```text 720 / 60 = 12 ``` 따라서 하루 경로는 최대 12칸의 고정 배열로 충분합니다. ```cpp const int MAX_PATH = 12; struct State { int pos; int minute; int score; int key; int count; short path[MAX_PATH]; }; ``` 여기서 `score`와 `key`는 같은 값이 아닙니다. - `score`: 이 가상 경로를 실제 실행했을 때 받는 채점 점수 - `key`: 아직 완성되지 않은 경로를 탐색 중에 살려 둘지 정하는 값 현재 점수가 조금 낮아도 시간을 적게 쓴 경로는 다음 주택을 하나 더 설치할 수 있습니다. 이런 상태를 `score`만으로 너무 일찍 버리지 않으려면 별도 `key`가 필요합니다. ## 왜 한 단계 탐욕으로 끝내지 않는가 현재 위치에서 가장 효율적인 주택 하나만 반복해서 고르면 가까운 주택은 잘 찾습니다. 하지만 첫 선택이 이후 모든 이동 거리를 바꾸므로, 주택이 밀집한 지역으로 들어가는 경로의 가치를 놓칠 수 있습니다. ```text 당장 좋아 보이는 경로: 현재 -> 가까운 A 첫 이동은 조금 길지만 뒤가 좋은 경로: 현재 -> B1 -> B2 -> B3 ``` `B1` 하나만 보면 A보다 나빠도, `B1`, `B2`, `B3`가 가까이 모여 있으면 하루 전체 수익은 두 번째 경로가 더 높을 수 있습니다. 그렇다고 모든 경로를 만들 수는 없습니다. 주택이 약 400개라면 첫 두 단계만 보아도 후보 수가 크게 늘어납니다. 따라서 이 풀이에서는 한 경로만 남기는 탐욕과 모든 경로를 보는 완전 탐색 사이의 중간 지점으로 Beam Search를 사용합니다. ## 첫 번째 가지치기: 다음 주택 8개 각 상태에서 미방문 주택을 전부 검사하되, 실제 다음 상태로 만드는 주택은 평가값 상위 8개뿐입니다. ```text cost = travel + service[type] candidateKey = price[type] - candidateRate × cost candidateRate = 1200 ``` 후보 단계의 목적은 최종 경로를 평가하는 것이 아니라, 다음 분기 수를 줄이는 것입니다. `candidateRate`가 너무 크면 멀고 비싼 주택이 후보 목록에 들어오지도 못합니다. 너무 작으면 이동 시간이 긴 주택이 목록을 차지합니다. ```cpp const int BRANCH_COUNT = 8; void keepCandidate( int ids[], int keys[], int &count, int id, int key ) { if (count == BRANCH_COUNT && key <= keys[count - 1]) return; int pos = count < BRANCH_COUNT ? count++ : count - 1; while (pos > 0 && keys[pos - 1] < key) { ids[pos] = ids[pos - 1]; keys[pos] = keys[pos - 1]; --pos; } ids[pos] = id; keys[pos] = key; } ``` 8개짜리 배열에서는 일반 정렬이나 힙보다 이 삽입 코드가 단순합니다. 배열은 항상 평가값 내림차순이고, 이미 8개가 찼을 때 새 후보가 꼴찌보다 나쁘면 즉시 버립니다. ## 두 번째 가지치기: 경로 상태 32개 각 빔 상태에서 최대 8개를 확장하면 깊이 하나에서 최대 `32 × 8 = 256`개의 다음 상태가 생깁니다. 이 중 다음 깊이로 넘길 상위 32개를 고릅니다. ```text beamKey = actualScore - beamRate × usedMinute beamRate = 1550 ``` 예를 들어 두 상태가 다음과 같다고 하겠습니다. | 상태 | 사용 시간 | 실제 점수 | `score - 1550 × minute` | | -- | ----: | ------: | ----------------------: | | A | 400분 | 700,000 | 80,000 | | B | 500분 | 800,000 | 25,000 | B의 실제 점수가 더 높지만, A는 100분을 덜 썼습니다. 그 시간에 다른 주택을 붙일 가능성을 남기기 위해 탐색 중에는 A를 더 높게 평가합니다. ```cpp const int BEAM_WIDTH = 32; void keepState(State states[], int &count, const State &next) { if (count == BEAM_WIDTH && next.key <= states[count - 1].key) return; int pos = count < BEAM_WIDTH ? count++ : count - 1; while (pos > 0 && states[pos - 1].key < next.key) { states[pos] = states[pos - 1]; --pos; } states[pos] = next; } ``` 첫 번째 가지치기가 **한 상태 안의 다음 행동**을 줄였다면, 두 번째 가지치기는 **서로 다른 경로 전체**를 비교합니다. 두 단계의 기준과 폭은 서로 다른 파라미터입니다. ## 왜 1200과 1550을 따로 쓰는가 후보 평가와 상태 평가에 같은 시간 패널티를 써야 할 이유는 없습니다. | 파라미터 | 역할 | 이 풀이의 값 | | --------------- | -------------------------- | ------: | | `candidateRate` | 다음 행동이 분기 목록에 들어올지 결정 | 1200 | | `beamRate` | 확장된 전체 경로가 다음 깊이에 살아남을지 결정 | 1550 | 후보 단계는 폭넓게 보고, 상태 단계는 전체 시간 효율을 더 엄격하게 보는 설계입니다. 이를 하나의 식으로 합치면 긴 작업을 너무 일찍 제외하거나, 반대로 시간이 많이 든 경로가 빔을 지나치게 차지할 수 있습니다. 480분 이후에는 실제 점수에 분당 200점이 추가됩니다. 실제 수당을 `score`에 정확히 넣으면 그 구간의 실질 시간 패널티는 다음처럼 자동으로 낮아집니다. ```text 1550 - 200 = 1350점/분 ``` 별도의 “야간 모드” 분기를 만들지 않아도 하루 후반에 남은 시간을 더 적극적으로 쓰게 됩니다. ## 실제 점수 시뮬레이션 후보를 붙일 때는 채점기와 같은 순서로 시간을 계산합니다. ```cpp State next = state; if (state.minute + travel + service[type] > 720) continue; int startMinute = state.minute; next.minute += travel + service[type]; next.score += price[type]; if (next.minute > 480) { int bonusStart = startMinute > 480 ? startMinute : 480; next.score += (next.minute - bonusStart) * 200; } ``` `startMinute`은 이동을 시작하기 전 시각입니다. 현재 시각이 450분이고 이동과 설치가 100분이면 480분 이후 70분만 수당 대상입니다. 현재 시각이 500분이면 같은 100분 전체가 수당 대상입니다. 한 가상 경로 안의 방문 목록과 실제 설치 완료 목록을 함께 검사해 중복 선택을 막습니다. ## 생존 기준과 실행 기준을 분리한다 탐색 중 상태를 살리는 기준은 `key`지만, 하루에 실제로 실행할 경로는 `score`가 가장 높은 상태입니다. ```cpp if (next.score > best.score) { best = next; } ``` `best`는 깊이 1부터 깊이 12까지 계속 갱신합니다. 그러면 좋은 경로가 반드시 방문 12개를 채우지 않아도 됩니다. 더 이상 효율적인 주택을 붙일 수 없는 짧은 경로도 최종 답이 될 수 있습니다. ## 계산량을 단계별로 줄이기 주택 수를 `H`라고 하면 주택 평가 횟수의 중심은 다음과 같습니다. ```text 31일 × 깊이 12 × 빔 32 × H ``` `H <= 399`이므로 약 476만 번입니다. 각 상태에서 실제로 만드는 분기는 최대 8개라 한 깊이의 상태 생성 수는 최대 256개입니다. ## 파라미터 실험 순서 한 번에 여러 값을 바꾸면 어떤 변경이 효과가 있었는지 알기 어렵습니다. 먼저 기준선을 고정하고 한 축씩 비교합니다. | 실험 | 바꿀 값 | 기록할 값 | | -: | ----------------------- | -------------------- | | 0 | `32 / 8 / 1200 / 1550` | TC별 점수, 총점, 실행 시간 | | 1 | `BEAM_WIDTH` 24, 32, 40 | 경로 다양성의 효과와 시간 증가 | | 2 | `BRANCH_COUNT` 6, 8, 10 | 후보 누락과 상태 생성 비용 | | 3 | `candidateRate` 주변 값 | 고가 주택과 가까운 주택의 선택 비율 | | 4 | `beamRate` 주변 값 | 일일 사용 시간과 실제 점수 | 총점만 기록하지 말고 TC별 점수도 남겨야 합니다. 평균이 올라도 특정 지도 밀도에서 크게 무너지는 파라미터가 있을 수 있습니다. 날짜별로는 아래 값이 유용합니다. - 720분 중 실제 사용 시간 - 이동 시간과 설치 시간의 비율 - 주택별 기본 수익과 480분 이후 수당 - 하루 방문 수 - 첫 방문 위치와 마지막 위치 시각화에서는 점수만 보지 말고, 낮은 점수의 날짜가 긴 첫 이동 때문인지, 시간이 남았는데 후보를 못 붙인 것인지, 저효율 타입을 많이 고른 것인지 확인합니다. 전체 규칙과 기준 구현은 [에어컨 설치 기사 해설](https://h.readiz.com/practice/AIRCONTECH/editorial)에 있습니다. ## 작은 하루 일정으로 직접 실행하기 [빔 폭과 시간 패널티 실험](https://www.readiz.com/learn/explore/?demo=beam) · [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/heuristic-planning/beam-day.cpp) 위의 원문 코드는 h-contest 풀이의 설계 조각입니다. 아래 실행 예제는 같은 원리를 분리해 살펴보는 **하루짜리 축소 모델**입니다. 31일 진행, 타입별 설치 시간, 야간 수당, 공개 API 호출은 포함하지 않습니다. 시작 위치는 `(0, 0)`, 이동은 맨해튼 거리, 실제 점수는 방문한 작업의 보상 합입니다. 종료 위치에서 출발점으로 돌아오지 않습니다. 이 모델은 상태마다 가능한 다음 작업을 모두 확장합니다. 따라서 원문의 ‘상태별 상위 8개’ 가지치기는 생략하고, 모든 부모가 만든 후보를 합쳐 `key = score - timePenalty × minute` 순으로 빔 폭만큼 남깁니다. 동점이면 실제 점수가 큰 경로, 시간이 짧은 경로, 작업 번호가 사전순으로 작은 경로를 택합니다. 최종 `best`는 모든 깊이에서 **가지치기 전에 생성한 후보**의 실제 점수로 갱신합니다. | 작업 | 위치 `(x, y)` | 설치 시간 | 보상 | | ----- | ----------- | ----: | -: | | A (0) | (0, 0) | 6 | 9 | | B (1) | (1, 0) | 2 | 7 | | C (2) | (2, 0) | 2 | 7 | 시간 예산 7, 패널티 0일 때 빔 폭 1은 A를 남기고 점수 9로 끝납니다. 폭 2는 B도 남겨 B→C를 발견합니다. 이동·설치 시간은 `1 + 2 + 1 + 2 = 6`, 점수는 14입니다. 이 예제에서 폭을 늘리면 개선되지만, 휴리스틱 탐색에서 폭을 늘릴 때마다 항상 점수가 오른다는 일반 보장은 없습니다. **입력:** 첫 줄 `N budget beamWidth timePenalty`, 다음 N줄은 `x y service reward`입니다. `1 ≤ N ≤ 12`, `1 ≤ budget ≤ 1000`, `1 ≤ beamWidth ≤ 256`, `0 ≤ timePenalty ≤ 100`, `0 ≤ x,y ≤ 100`, `1 ≤ service ≤ 100`, `0 ≤ reward ≤ 1000`입니다. ```text 3 7 2 0 0 0 6 9 1 0 2 7 2 0 2 7 ``` ```sh c++ -std=c++17 -O2 beam-day.cpp -o beam-demo ./beam-demo < input.txt ``` 출력 첫 줄은 `score minute`, 다음 줄은 0-based 작업 번호 경로입니다. 이 입력의 결과는 `14 6`과 `1 2`입니다. 가능한 작업이 없으면 `0 0`과 빈 경로가 나옵니다. 패널티를 바꾸면 생존 순서는 달라져도, 표시하는 최종 점수에서 시간 패널티를 빼지는 않습니다. --- --- id: "lessons/heuristic-destroy-repair" title: "광고판 배치와 destroy/repair: 지우고 다시 채우기" description: "작은 이동의 한계를 여러 광고의 제거와 재배치로 넘고, 실패한 시도를 정확히 복구합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["휴리스틱","destroy repair"] url: "https://www.readiz.com/records/heuristic-destroy-repair/" markdownUrl: "https://www.readiz.com/records/heuristic-destroy-repair/index.md" recordFolder: "강의/휴리스틱/일정·배치" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1%2F%EC%9D%BC%EC%A0%95%C2%B7%EB%B0%B0%EC%B9%98" --- # 광고판 배치와 destroy/repair: 지우고 다시 채우기 ## 문제 구조 요약 [광고판 도시 배치](https://h.readiz.com/practice/BILLCITY)는 `process(buildings, ads)` 안에서 `place_ad(adId, buildingId, top, left)`를 호출해 광고판을 놓는 문제입니다. 문제 구조는 다음과 같습니다. | 항목 | 내용 | | ----- | ------------------------------------------------ | | 건물 수 | 20개 | | 광고 수 | 132개 | | 건물 타입 | `WAREHOUSE`, `STORE` | | 점수 | `WAREHOUSE`는 `ad.score`, `STORE`는 `ad.score * 2` | | 금지 조건 | 건물 밖, 창문 칸, 다른 광고와 겹치기, 같은 광고 재사용 | | 회전 | 광고는 회전하지 않는다 | | 출력 | 각 TC의 `SCORE`, 마지막 합산 `SCORE` | 이 문제는 단순히 광고를 많이 넣는 문제가 아닙니다. 좋은 광고를 골라야 하고, `STORE` 보너스를 활용해야 하며, 남은 빈 공간이 나쁘게 쪼개지지 않도록 좌표를 골라야 합니다. ## 0점에서 first-fit까지 아무것도 하지 않는 `process`의 점수는 0입니다. 그다음은 가장 단순한 first-fit입니다. ```text for ad in input_order: for building in input_order: for top, left in row_major_order: if place_ad(ad, building, top, left): 다음 광고로 넘어간다 // 좌표·건물 반복을 모두 종료 ``` first-fit은 빠르고 구현이 쉽습니다. 하지만 좋은 좌표를 고르지 않습니다. 처음 들어가는 위치에 바로 놓기 때문에 큰 광고가 들어갈 수 있는 공간을 작은 광고가 먼저 잘라 버릴 수 있습니다. 로컬 `canPlace`를 작성했다면, 같은 위치에 대한 `place_ad`의 성공·실패 결과와 먼저 대조합니다. ## 정렬 greedy: 무엇을 먼저 놓을 것인가 first-fit 다음에는 "무엇을 먼저 볼 것인가"를 고칩니다. 이 문제에서는 광고마다 `score`, `h`, `w`가 다르고 `STORE`는 점수가 2배입니다. 그래서 입력 순서보다 아래 기준이 자연스럽습니다. ```text 광고 순서: - score가 높은 광고 - score / area가 높은 광고 - 큰 광고를 먼저 넣어야 빈 공간이 덜 망가지는 경우 건물 순서: - STORE 먼저 - 유효 빈칸이 큰 건물 먼저 - 창문 때문에 모양이 까다로운 건물은 별도 평가 ``` 정렬 greedy는 "좋은 물건을 먼저 본다"는 의미입니다. 하지만 이것만으로는 아직 부족합니다. 같은 광고를 같은 건물에 넣더라도 좌표에 따라 이후 공간이 달라지기 때문입니다. ## 위치 평가식: 어디에 놓을 것인가 이 문제의 분기점은 "놓을 수 있는 첫 위치"와 "나중에도 좋은 위치"를 구분하는 데 있습니다. 건물 폭이 작기 때문에 각 행을 bitmask로 들면 배치 가능 여부를 빠르게 검사할 수 있습니다. > **코드 환경: h-contest 설계 조각.** 표준 헤더·STL 없이 상태와 탐색 일부를 설명합니다. 문제의 공개 API와 전체 상태 관리에 연결하여 사용합니다. ```cpp // 호출 전: 건물 내부 좌표, 1 <= w < 32, x + w <= 32, y + h <= 24 확인 unsigned int occ[20][24]; int canPlaceLocal(int bid, int y, int x, int h, int w) { unsigned int mask = ((1u << w) - 1u) << x; for (int r = 0; r < h; ++r) { if (occ[bid][y + r] & mask) return 0; } return 1; } ``` 창문도 처음부터 `occ`에 넣어 두면, 이후 배치 검사는 "이미 막힌 칸과 겹치는가" 하나로 단순해집니다. 단, 광고를 제거해야 하므로 창문 mask와 광고 mask를 분리해서 복구할 수 있게 해야 합니다. 좌표를 평가할 때는 실제 점수만 보면 부족합니다. ```text placement value = 건물 배율을 반영한 실제 점수 + 벽, 창문, 기존 광고와 붙는 contact 보너스 - 빈 공간을 얇게 쪼개는 penalty ``` contact가 높으면 광고가 구석이나 기존 물체에 붙어 빈 공간을 덜 조각내는 경우가 많습니다. 단, contact만 크게 주면 큰 광고가 들어갈 중앙 공간을 잃을 수 있으므로 실제 점수와 같이 봐야 합니다. 탐색 중 제거·복구는 풀이가 가진 로컬 배치에서만 수행합니다. 최종 배치를 고른 뒤 `place_ad`를 호출합니다. 이미 공개 API로 배치한 광고를 로컬 배열에서 지워도 채점기 상태가 되돌아가지는 않습니다. ## 작은 local search의 한계 정렬 greedy 이후에는 이미 놓은 광고 하나를 빼고 다른 광고를 넣어 보는 작은 local search를 시도할 수 있습니다. ```text 1. 점수 대비 효율이 낮은 광고 하나를 제거한다. 2. 미배치 광고 중 좋은 후보를 몇 개 넣어 본다. 3. 점수가 오르면 유지하고, 아니면 rollback한다. ``` 광고 하나만 빼서는 빈 공간 구조가 크게 바뀌지 않습니다. 이미 나쁘게 쪼개진 공간은 작은 이동만으로 회복하기 어렵습니다. ![2행 4열 보드에서 A와 B가 가운데 두 열을 차지합니다. A만 제거하면 빈 폭이 2라서 폭 3인 C가 B와 겹칩니다. A와 B를 함께 제거하고 C를 넣으면 점수가 6에서 10으로 개선됩니다.](https://www.readiz.com/assets/lessons/heuristic-planning/destroy-repair.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/heuristic-planning/destroy-repair.svg) 배치 원리만 떼어 낸 작은 예시입니다. 건물 배율은 1로 두고, A·B는 각각 `2×1`, C는 `2×3`입니다. A 또는 B만 제거하면 연속 빈 폭은 2라서 C가 들어가지 않습니다. 둘을 함께 제거해야 폭 3을 확보합니다. ## 큰 destroy/repair 배치 구조를 바꾸려면 한 번에 여러 광고를 지우고 다시 채우는 편이 강합니다. ```text best = contact-aware greedy 결과 repeat: current = best 복사 광고 여러 개를 제거한다 제거된 광고와 미배치 광고를 다시 후보로 만든다 contact-aware greedy로 다시 채운다 current가 좋아졌으면 best로 채택한다 ``` 여기서 중요한 것은 destroy보다 repair입니다. repair가 first-fit이면 큰 destroy를 해도 낮은 품질의 배치로 돌아가기 쉽습니다. 반대로 repair가 위치 평가식을 잘 쓰면, 같은 공간을 더 좋은 모양으로 다시 채울 수 있습니다. 제거 대상을 완전히 무작위로만 고를 필요도 없습니다. ```text - 최근에 배치한 광고 - 점수 대비 면적 효율이 낮은 광고 - 특정 건물 하나에 놓인 광고 전체 - 창문 주변에서 공간을 많이 막는 광고 - 무작위 제거와 목적 제거를 섞은 후보 ``` remove count는 실험값입니다. 너무 작으면 지역 최적을 벗어나지 못하고, 너무 크면 매번 거의 새로 만드는 것과 비슷해집니다. ## 예산을 제한한 건물 단위 재탐색 전체 문제를 정확히 푸는 것은 어렵습니다. 하지만 건물 하나만 떼어 내면 후보 수가 줄어듭니다. ```text for each building: 현재 building에 놓인 광고를 모두 제거한다 미배치 광고 중 이 building에 넣어 볼 후보를 고른다 DFS로 이 building만 다시 채워 본다 좋아졌으면 채택하고, 아니면 rollback한다 ``` 전체는 greedy와 destroy/repair로 넓게 찾고, 작은 부분은 DFS나 DP로 다시 봅니다. 후보를 제한한 부분 문제를 끝까지 풀었다면 **그 후보 집합 안에서만** 최적성을 말할 수 있습니다. 시간이나 node 방문 수를 소진해 중단했다면 부분 문제의 최적해도 보장하지 않습니다. DFS의 비용을 줄이는 방법은 보장 범위가 서로 다릅니다. | 방법 | 무엇이 달라지는가 | | ------------------------- | ------------------------------------ | | 후보·건물·구역 제한 | 정확히 풀 대상인 부분 문제 자체를 줄임 | | 남은 후보 점수의 안전한 upper bound | best를 넘을 수 없는 가지를 버리며 부분 문제의 최적성은 유지 | | 시간·node 방문 수 제한 | 아직 가능한 가지를 남기고 중단하므로 최적성 보장이 사라짐 | 느슨한 upper bound라도 효과가 있습니다. 남은 후보를 모두 넣는다고 가정해도 현재 best를 넘지 못하면 더 내려갈 필요가 없습니다. ## Beam Search보다 repair가 먼저일 수 있다 Beam Search는 부분 상태의 평가식이 좋을 때 강합니다. 그런데 이 문제에서는 미완성 배치의 점수를 평가하기 어렵습니다. 초반에 높은 점수 광고를 많이 넣은 후보가 좋아 보여도, 실제로는 큰 광고가 들어갈 공간을 망쳐 최종 점수가 낮을 수 있습니다. 이럴 때는 미완성 후보를 오래 들고 가는 것보다 완성된 답을 많이 만들고 실제 점수로 비교하는 편이 안정적입니다. ```text 완성된 greedy 답 생성 -> destroy/repair로 완성 답끼리 비교 -> 작은 구역 재탐색과 실제 점수 비교 ``` repair가 계속 같은 나쁜 배치를 만들면 반복 횟수나 빔 폭을 늘려도 개선 폭이 작습니다. 제거 개수와 repair 평가식을 따로 바꾸어 비교합니다. ## 다른 배치 문제 [상자 쌓기](https://h.readiz.com/practice/STACKING)에서도 작은 이동으로 해소되지 않는 빈 공간이 생깁니다. 일부 배치를 제거한 뒤 다시 채우는 destroy/repair를 비교해 볼 수 있습니다. ## 성공과 실패를 모두 실행해 보기 [제거·재배치·원상복구 실험](https://www.readiz.com/learn/explore/?demo=repair) · [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/heuristic-planning/destroy-repair.cpp) 원문의 `canPlaceLocal`은 전체 제출 코드가 아닌 설계 조각입니다. 새 실행 파일은 위 그림의 **2행 4열 보드에서 한 번의 교체 시도**만 구현합니다. 건물 배율은 1이고 창문은 없습니다. A와 B는 가운데 두 열을 차지하며 각각 3점입니다. C는 2행 3열입니다. 이 실험의 repair 후보는 C 하나로 제한하며, 제거한 A·B를 다시 넣는 전체 탐색은 수행하지 않습니다. 1. 원래 보드와 점수 6을 보관하고 별도 후보를 복사합니다. 2. A만 또는 A·B를 함께 제거합니다. 3. C를 놓을 수 있는 첫 좌표를 찾습니다. 회전은 허용하지 않습니다. 4. C를 놓았고 점수가 엄격하게 올랐을 때만 채택합니다. 그 외에는 원래 보드 전체를 유지합니다. **입력:** `removeMask replacementScore` 한 줄입니다. `removeMask`는 A만 제거하는 1 또는 A·B를 제거하는 3, C의 점수는 0부터 1000까지입니다. | 입력 | 시도 결과 | 최종 점수 | | ------ | ------------------------- | ----: | | `1 10` | B가 가로막아 C를 놓을 수 없음 → 복구 | 6 | | `3 10` | C 배치 성공, 6에서 10으로 개선 → 채택 | 10 | | `3 4` | C 배치 성공, 점수 하락 → 복구 | 6 | ```sh c++ -std=c++17 -O2 destroy-repair.cpp -o repair-demo echo '3 10' | ./repair-demo ``` 출력 첫 줄은 `배치성공여부 채택여부 후보점수 최종점수`입니다. 이어서 최종 보드를 두 줄로 출력합니다. 위 입력은 `1 1 10 10`, `CCC.`, `CCC.`입니다. 거절된 시도에서는 점수뿐 아니라 보드도 정확히 `.AB.`, `.AB.`로 돌아옵니다. 공개 `place_ad`를 호출한 뒤 되돌리는 예제가 아니라, **로컬 후보만 수정하고 마지막에 채택하는 구조**입니다. --- --- id: "lessons/heuristic-local-search-sa" title: "지역 최적을 벗어나는 탐색: Simulated Annealing" description: "손해를 잠시 허용하는 이유와 온도, 채택 확률, current와 best의 분리를 실제 경로로 배웁니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["휴리스틱","local search","SA"] url: "https://www.readiz.com/records/heuristic-local-search-sa/" markdownUrl: "https://www.readiz.com/records/heuristic-local-search-sa/index.md" recordFolder: "강의/휴리스틱/경로 개선" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1%2F%EA%B2%BD%EB%A1%9C+%EA%B0%9C%EC%84%A0" --- # 지역 최적을 벗어나는 탐색: Simulated Annealing 좋아지는 이동만 받아들이면 더 움직일 수 없는 순간이 옵니다. 그 지점이 가능한 모든 답 중 가장 좋은 답일 필요는 없습니다. 같은 배송 문제를 이어서 풀며, 잠깐의 손해를 허용하는 탐색과 최선해 보존을 살펴봅니다. ## 초기해와 개선 연산 [ORDERING](https://www.readiz.com/records/heuristic-open-path-two-opt/)에서는 번호 순서로 나열해도 유효한 답입니다. 가까운 배송지를 차례로 고르면 매 단계의 이동은 짧아도, 이미 선택한 경로를 뒤집어야 전체 비용이 더 줄어드는 경우가 있습니다. 이것이 초기해 구성과 지역 탐색을 나누는 이유입니다. 2-opt는 현재 경로의 한 구간을 뒤집습니다. 비용이 줄면 채택하고, 나빠지면 원래 순열로 되돌립니다. 가능한 모든 2-opt 이동을 보아도 줄어드는 이동이 없으면 **그 연산에 대한 지역 최적**입니다. 전역 최적이라는 뜻은 아닙니다. 한 원소를 다른 위치로 옮기는 insertion이나 여러 원소를 제거해 다시 넣는 repair에는 개선 여지가 남을 수 있습니다. ## 한 번 나빠진 뒤 더 좋아지는 경로 맨해튼 거리를 쓰는 다음 여섯 점을 봅니다. 창고는 0이며 마지막 점에서 돌아오지 않습니다. | 번호 | 좌표 | | -- | -------- | | 0 | (18, 8) | | 1 | (17, 4) | | 2 | (18, 12) | | 3 | (9, 4) | | 4 | (2, 12) | | 5 | (12, 19) | 시작 경로는 `0 → 1 → 3 → 4 → 2 → 5`이고 비용은 `5 + 8 + 15 + 16 + 13 = 57`입니다. 창고를 제외한 모든 2-opt 이웃의 비용은 다음과 같습니다. 구간의 위치는 0부터 셉니다. | 뒤집는 구간 | 새 비용 | 뒤집는 구간 | 새 비용 | | ------- | ---: | ------- | ---: | | `[1,2]` | 73 | `[2,4]` | 63 | | `[1,3]` | 65 | `[2,5]` | 69 | | `[1,4]` | 63 | `[3,4]` | 63 | | `[1,5]` | 69 | `[3,5]` | 60 | | `[2,3]` | 73 | `[4,5]` | 58 | 어느 이웃도 57 이하가 아니므로 좋은 이동만 받는 탐색은 멈춥니다. 그런데 아래 두 이동을 이어 붙이면 비용이 줄어듭니다. 1. 시작 경로 `0 1 3 4 2 5`, 비용 **57**. 2. `[1,3]`을 뒤집은 경로 `0 4 3 1 2 5`, 비용 **65**. 3. 이어 `[1,4]`를 뒤집은 경로 `0 2 1 3 4 5`, 비용 **53**. 첫 이동에서 손해 8을 받아들이면 다음 이동은 비용을 12 줄입니다. SA는 이런 이동이 제안됐을 때 처음의 손해도 받아들일 가능성을 남깁니다. 이 특정 두 이동이 항상 제안되거나 전역 최적에 도달한다는 보장은 없습니다. ![비용 57인 경로의 모든 2-opt 이웃은 더 비쌉니다. 비용 65를 허용한 뒤 다른 구간을 뒤집으면 53에 도달합니다. 자동 탐색이 반드시 이 두 이동을 선택한다는 뜻은 아닙니다.](https://www.readiz.com/assets/lessons/heuristic-paths/local-minimum.svg) ## 나쁜 이동을 받아들이는 확률 Simulated Annealing(SA)은 더 나쁜 이웃도 확률적으로 받아들입니다. 최소화 문제에서 `loss = 새 비용 - 현재 비용`이라고 두면, 비용이 줄거나 같은 이동은 채택하고 `loss > 0`인 이동은 다음 확률로 채택합니다. ```text P(accept) = exp(-loss / T), T > 0 ``` | 손해 크기 | 채택 확률 | | ------ | ----: | | `0.5T` | 약 61% | | `T` | 약 37% | | `2T` | 약 14% | | `3T` | 약 5% | 온도 `T`를 내리면 같은 손해를 덜 받아들입니다. `T`는 전체 점수보다 **이동 한 번의 비용 차이**에 맞춥니다. 예를 들어 보통 손해가 3000이라면 `T = 3000`에서 그 크기의 이동을 약 37% 받아들입니다. 초기해 주변의 이동을 샘플링해 손해를 측정하되, 측정 후 상태를 되돌립니다. 움직이는 상태 `current`와 지금까지 가장 좋은 상태 `best`는 따로 둡니다. 나쁜 이동을 채택해도 `best`는 유지하며, 제출할 답은 실제 비용이 가장 작은 `best`입니다. `T = 0`에서는 나쁜 이동을 거절해 0으로 나누지 않도록 처리합니다. ![채택된 현재해 비용은 10, 13, 11, 8로 움직이지만 최선해 비용은 10, 10, 10, 8입니다. 그래프의 파란 실선은 현재해, 초록 점선은 지금까지의 최저 비용을 나타냅니다.](https://www.readiz.com/assets/lessons/heuristic-paths/current-best.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/heuristic-paths/current-best.svg) 비용 `10 → 13` 이동은 확률적으로 채택된 경우를 가정합니다. 이후 `13 → 11`을 받아들였다는 이유로 `best`까지 11로 덮어쓰면 이전의 더 좋은 답 10을 잃습니다. `best`에는 비용뿐 아니라 그 비용을 만드는 순열·배치도 함께 복사합니다. [SA: 온도·나쁜 이동·최선해 보존 실험하기](https://www.readiz.com/learn/lab/?demo=annealing) 온도와 비용 증가량을 바꾸며 채택 확률을 확인하고, 같은 난수 예제의 진행을 따라가 보세요. 나쁜 이동을 받아들여 current가 커져도 best는 보존해야 합니다. 이 데모는 채택 규칙을 보여 주는 작은 예제이며, 실제 문제에서 어떤 온도나 냉각 일정이 좋은지를 보장하지 않습니다. ## ORDERING에 붙이는 구현 먼저 [배송 순서 개선](https://www.readiz.com/records/heuristic-open-path-two-opt/)의 완성 코드를 복사하고, 그 코드의 `build_path` 이름만 `build_initial_path`로 바꿉니다. 그러면 동일한 nearest neighbor + 2-opt 초기해를 여러 탐색 방식에서 재사용할 수 있습니다. 아래 난수 블록도 한 번 붙인 뒤 탐색 코드를 추가합니다. 글 끝의 완성 파일에는 필요한 블록이 모두 들어 있습니다. ### 풀이 전용 난수 원 강의의 공통 라이브러리에서 가져온 블록입니다. 입력 생성용 난수와 분리하고, 실행마다 같은 seed로 초기화합니다. 탐색을 재현하기 위한 난수이며 암호학적 용도가 아닙니다. ```cpp namespace hc { static_assert(sizeof(unsigned) == 4, "32-bit unsigned required"); struct Random { unsigned state; void reset(unsigned seed) { state = seed; } unsigned next() { state = state * 1664525u + 1013904223u; return state; } unsigned below(unsigned bound) { // 전제: bound > 0 const unsigned threshold = (0u - bound) % bound; unsigned value; do { value = next(); } while (value < threshold); return value % bound; } void shuffle(int a[], int n) { // [0, n), n >= 0 for (int i = n - 1; i > 0; --i) { int j = (int)below((unsigned)i + 1u); int temp = a[i]; a[i] = a[j]; a[j] = temp; } } }; } ``` ### SA 탐색 코드 **코드 환경: h-contest 제출 확장용.** 표준 헤더·STL 없이 공개 거리 API만 사용합니다. `1 <= n <= 100`, 유효한 초기 순열, `attempts >= 0`, 유한한 `startTemperature >= endTemperature >= 0`을 전제로 합니다. `order[]`에는 최선해를 보존하고 작업 배열 `current[]`만 흔듭니다. ```cpp snippet=ordering-sa namespace ordering_sa { struct Stats { int bestCost; int currentCost; int accepted; int acceptedWorse; }; // x >= 0. No math header: reduce x, evaluate a short series, then square. double expNegative(double x) { if (x >= 32.0) return 0.0; int halves = 0; while (x > 0.5) { x *= 0.5; ++halves; } double sum = 1.0, term = 1.0; for (int k = 1; k <= 12; ++k) { term *= -x / k; sum += term; } for (int k = 0; k < halves; ++k) sum *= sum; return sum; } int delta(int n, const int order[], int left, int right) { int a = order[left - 1], b = order[left], c = order[right]; int change = get_dist(a, c) - get_dist(a, b); if (right + 1 < n) { int d = order[right + 1]; change += get_dist(b, d) - get_dist(c, d); } return change; } Stats improve(int n, int order[], int attempts, unsigned seed, double startTemperature, double endTemperature) { int current[100]; for (int i = 0; i < n; ++i) current[i] = order[i]; int initialCost = get_path_dist(order, n); Stats stats = {initialCost, initialCost, 0, 0}; if (n <= 2 || attempts == 0) return stats; hc::Random rng; rng.reset(seed); for (int step = 0; step < attempts; ++step) { int left = 1 + (int)rng.below((unsigned)(n - 1)); int right = 1 + (int)rng.below((unsigned)(n - 2)); if (right >= left) ++right; if (left > right) { int temp = left; left = right; right = temp; } double progress = attempts == 1 ? 0.0 : (double)step / (attempts - 1); double temperature = startTemperature + (endTemperature - startTemperature) * progress; int change = delta(n, current, left, right); // Consume one draw on every proposal, including improvements. double u = (rng.next() >> 8) / 16777216.0; bool accept = change <= 0; if (!accept && temperature > 0.0) { accept = u < expNegative(change / temperature); } if (!accept) continue; reverse_range(current, left, right); stats.currentCost += change; ++stats.accepted; if (change > 0) ++stats.acceptedWorse; if (stats.currentCost < stats.bestCost) { stats.bestCost = stats.currentCost; for (int i = 0; i < n; ++i) order[i] = current[i]; } } return stats; } } ``` `expNegative`는 `exp(-x)`의 수치 근사입니다. `x`를 0.5 이하로 줄여 12차 Taylor 합을 구하고 제곱해 되돌립니다. `x >= 32`에서는 0을 반환하며, 생략한 함수값은 `exp(-32) ≈ 1.27×10^-14` 이하입니다. 난수 `u`도 24비트 격자의 값이므로 수식의 연속 확률을 유한 정밀도로 구현한 것입니다. 로컬에서는 ``의 `exp(-x)`와 비교하지만 그 헤더는 제출 코드에 넣지 않습니다. 다음 wrapper가 실제 제출 함수입니다. 모든 TC에서 풀이 난수를 다시 초기화하며 채점기 난수나 비공개 상태를 읽지 않습니다. ```cpp snippet=ordering-sa-entry void build_path(int n, const int points[][2], int order[]) { build_initial_path(n, points, order); ordering_sa::improve(n, order, 30000, 20260922u, 128.0, 1.0); } ``` 온도는 시도 횟수에 따라 128에서 1까지 선형으로 낮춥니다. 이 상수들은 비교를 시작하기 위한 설정입니다. 0과 0을 넣으면 같은 후보 생성·난수 소비 규칙에서 좋은 이동과 같은 비용의 이동만 받는 hill climbing이 됩니다. 둘의 난수열을 같게 해도 현재 경로가 달라진 뒤의 비용 변화까지 같아지는 것은 아닙니다. 거절한 이동은 배열을 바꾸기 전에 판정하므로 undo가 필요 없습니다. 후보 점수 계산을 위해 먼저 상태를 바꾸는 방식으로 고친다면 거절 분기에서 반드시 복구해야 합니다. `delta`는 [Testing과 Stress Test](https://www.readiz.com/records/heuristic-testing-and-stress/)의 전체 비용 재계산과 비교합니다. ## 같은 입력에서 단계별로 측정하기 아래는 **원 강의가 2026-09-22에 기록한 측정 결과**입니다. 이번 이관에서 새로 측정한 수치가 아닙니다. 공개 ORDERING 채점기의 10개 TC를 그대로 실행했습니다. 각 방식은 9번 실행하고 첫 실행을 제외한 8번의 중앙값을 사용했습니다. 시간은 초기해 구성·탐색·채점기 실행을 포함한 **10개 TC 전체 시간**이며, macOS arm64 / Apple clang 17 / C++17에서 측정했습니다. | 방식 | 10개 TC 비용 합 ↓ | `-O0` 시간(ms) | `-O2` 시간(ms) | | ------------------------ | ------------: | -----------: | -----------: | | 번호 순서 | 257071 | 0.033 | 0.003 | | nearest neighbor | 65145 | 0.606 | 0.120 | | nearest neighbor + 2-opt | 58368 | 4.013 | 0.856 | | 같은 초기해 + hill climbing | 58368 | 19.634 | 4.980 | | 같은 초기해 + SA | 56779 | 37.674 | 9.993 | 모든 실행은 유효한 경로를 제출했고, 최적화 옵션에 따른 비용 차이는 없었습니다. 마지막 두 방식은 위 wrapper의 solver seed와 **TC당 추가 후보 30000개**를 맞춘 비교입니다. SA는 이 입력 묶음에서 비용 합을 약 2.7% 낮췄지만, 추가 hill climbing을 포함한 전체 시간보다 약 1.9\~2.0배 걸렸습니다. **같은 실행 시간에서 SA가 더 좋다는 실험은 아닙니다.** 가장 큰 네 TC의 비용은 두 방식에서 같았습니다. 한 채점 입력 묶음과 한 seed의 기록이므로 일반적인 우열이나 최적 온도로 해석하지 않습니다. 다음 실험에서는 입력 크기·분포와 seed를 바꾸고, 같은 시간에 돌릴 수 있는 후보 수를 따로 맞춥니다. 절대 시간은 기기와 부하에 따라 달라지며, 특히 매우 짧은 기준선 시간은 정밀한 성능 비교에 쓰기 어렵습니다. [TC별 비용과 측정 원본](https://www.readiz.com/assets/lessons/heuristic-paths/ordering-search-benchmark.json)에는 채점기 파일의 SHA-256과 개별 측정값도 담았습니다. [원 강의 저장소](https://github.com/Readiz/h-contest-lesson)에서 공개 채점기의 `main.cpp` 경로를 지정하면 같은 본문 코드를 추출해 재현할 수 있습니다. ```bash python3 scripts/check_heuristic_search.py \ --judge /path/to/ORDERING/main.cpp --output /tmp/ordering-bench.json ``` ## 재시도와 탐색 예산 같은 초기해에서 오래 탐색하는 방법과 다른 초기해에서 여러 번 다시 시작하는 방법은 총 예산을 맞춰 비교합니다. 한 번당 반복 수를 그대로 둔 채 재시도 횟수만 늘리면 탐색 전략과 실행 시간의 효과를 구분할 수 없습니다. 제출 환경에 시간 조회 API가 없다면 로컬에서 반복 횟수를 정합니다. 후보 생성·평가뿐 아니라 초기화와 최종 답 구성 시간도 포함해 재고, 입력 상한에서 제한 시간에 여유가 있는 횟수를 사용합니다. 실험 로그에는 입력 ID, solver seed, 탐색 횟수, 파라미터, 최종 비용과 실행 시간을 남깁니다. 같은 입력 묶음에서 평균과 최악 비용을 비교하며, 튜닝에 쓰지 않은 입력에서도 확인합니다. 차분·복구 오류를 찾는 방법은 [Testing과 Stress Test](https://www.readiz.com/records/heuristic-testing-and-stress/)에 있습니다. ## 로컬 연습: 같은 초기해에서 탐색 비교 입력은 `N`과 `N`개의 정수 좌표이며 `1 <= N <= 100`, 좌표는 `0..999`입니다. 첫 점이 창고입니다. 위 표처럼 번호 순서, nearest neighbor, nearest neighbor + 2-opt, 여기에 hill climbing 또는 SA를 추가한 다섯 방식의 유효성·비용·실행 시간을 같은 입력에서 기록합니다. 두 추가 탐색은 각각 후보 30000개와 solver seed `20260922`를 사용합니다. 작은 고정 입력으로 위 여섯 점을 넣고, 경로 `0 1 3 4 2 5`의 비용 57과 열 가지 이웃 비용을 먼저 확인합니다. 이어 `[1,3]`, `[1,4]` 이동을 직접 적용하면 비용은 65, 53입니다. `N=6`에서는 창고를 제외한 `5!=120`개 순열을 전수 조사해 최적 비용 53도 확인할 수 있습니다. 자동 탐색이 매 실행에서 53을 찾는 것을 정답 조건으로 삼지 않습니다. 항상 검사할 조건은 유효한 순열, 시작점 0, 같은 seed의 재현성, 제출된 경로 비용과 `bestCost`의 일치, 최선 비용이 초기해보다 나빠지지 않음입니다. `attempts=0`, `N=1,2`, 중복 좌표, 같은 비용 이동, 경로 끝을 뒤집는 이동도 검사합니다. ## 필요한 코드를 한 파일로 실행하기 [완성 SA 예제 내려받기](https://www.readiz.com/assets/lessons/heuristic-paths/ordering-sa.cpp)에는 첫 강의의 초기해, 난수 블록, 위 SA 코드와 로컬 거리·입출력 함수가 모두 들어 있습니다. 헤더와 `main`을 포함한 전체 파일은 로컬 실행용입니다. ```bash c++ -std=c++17 -O2 ordering-sa.cpp -o ordering-sa ./ordering-sa < points.txt ``` 입력과 출력 형식은 [첫 강의](https://www.readiz.com/records/heuristic-open-path-two-opt/#%EB%82%B4-%EC%BB%B4%ED%93%A8%ED%84%B0%EC%97%90%EC%84%9C-%EC%8B%A4%ED%96%89%ED%95%98%EA%B8%B0)와 같습니다. 후보 30,000개, seed `20260922`, 시작 온도 128, 마지막 온도 1을 사용합니다. 이 설정이 모든 입력에 좋다는 뜻은 아닙니다. 첫 강의와 같은 입력으로 두 실행을 비교하세요. 이미 좋은 초기해라면 비용이 같을 수도 있습니다. 같은 실행 환경에서 결과가 재현되는지, 출력 비용이 경로를 다시 더한 값인지, best가 초기해보다 나빠지지 않는지를 먼저 확인합니다. --- --- id: "lessons/heuristic-open-path-two-opt" title: "배송 순서 개선: 열린 경로와 2-opt" description: "가까운 점부터 방문하는 초기해를 만들고, 경계 간선만 계산해 배송 경로를 개선합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["휴리스틱","2-opt"] url: "https://www.readiz.com/records/heuristic-open-path-two-opt/" markdownUrl: "https://www.readiz.com/records/heuristic-open-path-two-opt/index.md" recordFolder: "강의/휴리스틱/경로 개선" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1%2F%EA%B2%BD%EB%A1%9C+%EA%B0%9C%EC%84%A0" --- # 배송 순서 개선: 열린 경로와 2-opt 창고에서 출발해 모든 배송지를 한 번씩 방문하되, 마지막 배송지에서 창고로 돌아오지는 않습니다. 이 열린 경로를 짧게 만드는 과정을 통해 초기해, 지역 탐색, 차분 평가를 함께 배웁니다. 배열과 반복문을 알면 따라갈 수 있습니다. 그림과 데모는 로그인 없이 볼 수 있고, 글 마지막에는 일반 C++17 환경에서 실행할 완성 파일도 있습니다. ## 문제 계약을 상태로 옮기기 [미니 물품 배송](https://h.readiz.com/practice/ORDERING)에서 구현할 함수는 다음과 같습니다. > **코드 환경: h-contest 제출용.** 공개 API 선언과 설명 조각을 먼저 읽고, 아래 ‘제출 가능한 기본 구현’을 user.cpp에 넣습니다. ```cpp extern int get_dist(int a, int b); extern int get_path_dist(const int order[], int size); void build_path(int n, const int points[][2], int order[]); ``` `build_path`는 값을 반환하지 않습니다. 최종 방문 순서를 `order[0]`부터 `order[n - 1]`까지 직접 써 넣어야 합니다. | 항목 | 계약 | | ----- | ----------------------------------------------- | | 상태 | `0`부터 `n - 1`까지 정확히 한 번씩 들어간 순열 `order[]` | | 시작점 | `order[0] = 0`인 창고 고정 | | 거리 | `get_dist(a, b)`가 주는 맨해튼 거리 | | 목적 함수 | 인접한 두 위치 사이 거리의 합을 최소화 | | 끝점 | 마지막 배송지에서 창고로 돌아오지 않는 열린 경로 | | 보조 함수 | `get_path_dist(order, size)`로 부분 또는 전체 경로 거리 확인 | | 잘못된 답 | 중복, 누락, 범위 밖 번호, `order[0] != 0`이면 큰 패널티 | 테스트의 `n`은 `4, 8, 12, 16, 20, 36, 52, 68, 84, 100`입니다. 가장 큰 경우에는 모든 순열을 볼 수 없으므로, 작은 경우의 exact 탐색과 큰 경우의 휴리스틱을 분리해 생각할 수 있습니다. ## 점수식을 먼저 정확히 쓴다 이 문제의 점수는 다음과 같습니다. ```text cost(order) = dist(order[0], order[1]) + dist(order[1], order[2]) + ... + dist(order[n - 2], order[n - 1]) ``` TSP 순회와 달리 아래 항은 없습니다. ```text dist(order[n - 1], order[0]) ``` 이 차이는 초기해와 개선 연산에 모두 영향을 줍니다. 마지막 위치는 창고 근처로 돌아올 필요가 없고, 경로 끝을 포함하는 구간을 뒤집을 때는 오른쪽 바깥 간선도 존재하지 않습니다. ## 0단계: 유효한 기준선 가장 단순한 기준선은 번호 순서입니다. ```cpp for (int i = 0; i < n; ++i) { order[i] = i; } ``` 이 순열의 비용을 기록해 두고 다음 초기해와 비교합니다. ## 1단계: nearest neighbor 초기해 첫 번째 실전 초기해는 현재 위치에서 가장 가까운 미방문 배송지를 고르는 nearest neighbor입니다. ```text order[0] = 0 used[0] = true for pos = 1 .. n - 1: current = order[pos - 1] current에서 가장 가까운 미방문 cand를 찾는다 order[pos] = cand used[cand] = true ``` 시간 복잡도는 `O(n^2)`이고 `n <= 100`에서는 충분히 빠릅니다. 매 단계의 선택만 보면 자연스럽지만, 가까운 점을 먼저 소비해 마지막에 멀리 떨어진 점 하나가 남을 수 있으므로 이것만으로 끝내지는 않습니다. 동점 처리도 하나의 파라미터입니다. 같은 거리라면 번호가 작은 점, 다음 후보가 많은 점, 현재 배송지 밀집 구역 안쪽의 점을 고르는 방식이 서로 다른 초기해를 만듭니다. ## 2단계: 열린 경로의 2-opt 차분 `2-opt`는 `order[left..right]` 구간을 뒤집는 연산입니다. 창고를 고정해야 하므로 `left >= 1`인 구간만 고릅니다. 대칭 거리에서는 구간 내부 간선의 방향만 반대로 바뀌고 비용은 같습니다. 따라서 모든 경로를 다시 더하지 않고 경계 간선만 비교할 수 있습니다. ```text a = order[left - 1] b = order[left] c = order[right] before = dist(a, b) after = dist(a, c) ``` `right + 1 < n`이면 오른쪽 경계도 더합니다. ```text d = order[right + 1] before += dist(c, d) after += dist(b, d) ``` `after < before`이면 구간을 뒤집습니다. `right == n - 1`일 때는 오른쪽 경계 간선이 없으므로 첫 비교만 해야 합니다. TSP용 2-opt 공식을 그대로 복사해 마지막 위치와 창고 사이의 가짜 복귀 간선을 넣으면 다른 문제를 최적화하게 됩니다. ## 작은 경로를 손으로 따라가기 다음처럼 x축 위에 다섯 위치가 있다고 하겠습니다. ```text 0 = 0, A = 1, B = 9, C = 8, D = 2 ``` 현재 경로가 `0 -> A -> B -> C -> D`이면 비용은 다음과 같습니다. ```text 1 + 8 + 1 + 6 = 16 ``` 꼬리 구간 `B -> C -> D`를 뒤집으면 `0 -> A -> D -> C -> B`가 됩니다. ```text 1 + 1 + 6 + 1 = 9 ``` 이때 내부 간선 `B-C`, `C-D`는 방향만 바뀌므로 총비용이 같습니다. 실제 변화는 `A-B`가 `A-D`로 바뀐 것뿐입니다. 열린 경로의 끝을 뒤집을 때 경계 하나만 비교하는 이유가 여기서 보입니다. ![같은 x축 위에서 꼬리 B-C-D를 뒤집으면 방문 순서가 0-A-D-C-B가 됩니다. 내부 거리는 그대로이고 A에서 꼬리로 이어지는 거리만 8에서 1로 줄어 총비용이 16에서 9가 됩니다.](https://www.readiz.com/assets/lessons/heuristic-paths/open-tail.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/heuristic-paths/open-tail.svg) 위아래 그림의 점은 같은 x좌표에 고정되어 있습니다. 곡선 화살표는 방문 순서를 나타내며, 비용은 곡선 길이가 아니라 두 점의 x좌표 차이입니다. 초록색 내부 간선은 방향만 바뀌어 비용 `1 + 6`이 그대로이고, 주황색 경계 간선의 비용만 `8 → 1`로 바뀝니다. 작은 입력에서 모든 `left, right` 조합을 뒤집어 보고, 차분식의 결과가 `get_path_dist`로 다시 구한 비용 변화와 같은지 대조합니다. 인접한 두 점과 경로 끝을 포함하는 구간도 넣습니다. [열린 경로 2-opt: 구간과 경계 비용 비교하기](https://www.readiz.com/learn/lab/?demo=two-opt) 뒤집을 구간을 바꾸며 전후 경로와 경계 간선의 차분을 비교해 보세요. 맨해튼 거리를 사용하며 시작점 0은 고정합니다. 끝점을 포함하는 구간에서는 오른쪽 경계를 더하지 않습니다. 더 좋아지지 않는 후보도 직접 확인할 수 있습니다. ## 제출 가능한 기본 구현 아래 코드는 nearest neighbor로 초기해를 만든 뒤, 더 좋아지는 2-opt만 반복합니다. STL이나 C 헤더 없이 고정 배열과 helper 함수만 사용합니다. ```cpp compile-check extern int get_dist(int a, int b); extern int get_path_dist(const int order[], int size); static void reverse_range(int order[], int left, int right) { while (left < right) { int temp = order[left]; order[left] = order[right]; order[right] = temp; ++left; --right; } } void build_path(int n, const int points[][2], int order[]) { int used[100]; (void)points; for (int i = 0; i < n; ++i) { used[i] = 0; } order[0] = 0; used[0] = 1; for (int pos = 1; pos < n; ++pos) { int current = order[pos - 1]; int best = -1; int best_dist = 0; for (int cand = 0; cand < n; ++cand) { if (used[cand]) continue; int dist = get_dist(current, cand); if (best == -1 || dist < best_dist) { best = cand; best_dist = dist; } } order[pos] = best; used[best] = 1; } for (int pass = 0; pass < 80; ++pass) { int improved = 0; for (int left = 1; left < n - 1; ++left) { for (int right = left + 1; right < n; ++right) { int a = order[left - 1]; int b = order[left]; int c = order[right]; int before = get_dist(a, b); int after = get_dist(a, c); if (right + 1 < n) { int d = order[right + 1]; before += get_dist(c, d); after += get_dist(b, d); } if (after < before) { reverse_range(order, left, right); improved = 1; } } } if (!improved) break; } } ``` 구간 뒤집기는 순열의 원소를 추가하거나 지우지 않으므로 유효성을 자동으로 보존합니다. `left`가 1 이상이므로 창고도 항상 첫 위치에 남습니다. ## 2-opt 다음 개선 연산 2-opt가 멈췄다고 해서 좋은 경로를 모두 본 것은 아닙니다. 서로 다른 모양의 이웃을 추가하면 다른 지역 최적으로 이동할 수 있습니다. | 연산 | 변화 | 주의할 경계 | | --------------- | ----------------------- | ----------------------- | | insertion | 한 위치를 빼서 다른 두 위치 사이에 삽입 | index 이동 뒤 위치 보정, 경로 끝 | | swap | 두 배송지의 순서를 교환 | 두 위치가 인접할 때 겹치는 간선 | | double bridge | 떨어진 여러 구간의 연결을 크게 변경 | 작은 `n`에서는 변화가 지나치게 큼 | | perturb + 2-opt | 몇 번 무작위로 흔든 뒤 다시 2-opt | 현재 best와 작업용 current 분리 | insertion은 2-opt로 만들기 어려운 변화를 한 번에 만들 수 있습니다. 이때도 이동 전후에 달라지는 주변 간선만 계산하면 후보 하나를 `O(1)`에 평가할 수 있습니다. 다만 시작점 `0`은 이동 대상에서 제외해야 합니다. 나쁜 이동을 잠시 허용하려면 `current`와 `best`를 분리합니다. `current`는 흔들 수 있지만, 제출할 `best`는 실제 `get_path_dist`가 더 짧을 때만 교체하면 안전합니다. ## 초기해를 여러 개 만드는 법 nearest neighbor가 만드는 경로는 첫 몇 번의 선택에 크게 좌우됩니다. `order[0] = 0`은 고정이지만 두 번째 배송지는 여러 후보를 시도할 수 있습니다. ```text 창고에서 가까운 후보 K개를 고른다 각 후보를 두 번째 위치로 고정한다 나머지는 nearest neighbor로 채운다 각 완성 경로에 2-opt를 적용한다 get_path_dist로 가장 짧은 경로를 남긴다 ``` `n <= 100`이면 `K`를 작게 둔 multi-start도 충분히 가볍습니다. 완전히 무작위인 시작만 반복하는 것보다, 서로 다른 두 번째 배송지를 강제하면 탐색한 초기해의 차이가 분명해집니다. ## 작은 입력은 exact 탐색으로 쓴다 `n = 4`이면 창고를 제외한 순열은 `3! = 6`개이고, `n = 8`이어도 `7! = 5040`개입니다. 이 두 경우는 모든 순열을 직접 확인할 수 있습니다. 작은 입력의 exact 탐색은 두 가지 역할을 합니다. 1. 앞 테스트 케이스의 점수를 실제 최적으로 만든다. 2. nearest neighbor와 2-opt가 최적해에서 얼마나 떨어지는지 확인하는 oracle이 된다. `n = 12`부터는 `11!`이라 같은 방식이 급격히 비싸집니다. ## 내 컴퓨터에서 실행하기 [완성 C++17 예제 내려받기](https://www.readiz.com/assets/lessons/heuristic-paths/ordering-two-opt.cpp). 위 제출 코드를 보존하고, 맨해튼 거리 함수와 입력·출력용 `main`을 덧붙였습니다. **파일 전체는 로컬 실행용**입니다. h-contest에 제출할 때는 위 `build_path`와 보조 함수 부분을 사용합니다. 입력은 점의 개수 N과 N개의 `(x, y)` 좌표입니다. `1 <= N <= 100`, 좌표는 `0..999`로 제한합니다. 첫 점이 창고이며 점 번호는 입력 순서대로 0부터 붙습니다. 출력 첫 줄은 비용, 둘째 줄은 방문 순서입니다. ```bash c++ -std=c++17 -O2 ordering-two-opt.cpp -o ordering-two-opt ./ordering-two-opt < points.txt ``` `points.txt`에 그림의 다섯 점을 넣습니다. ```text 5 0 0 1 0 9 0 8 0 2 0 ``` ```text 9 0 1 4 3 2 ``` 이 출력은 nearest neighbor로 초기해를 만든 뒤 2-opt를 적용한 **최종 결과**입니다. 번호 순서의 비용 16에서 시작해 구간을 하나씩 뒤집는 과정은 위 데모에서 확인할 수 있습니다. 다음 강의에서는 차분식이 맞는지, 경로 전체를 다시 더하는 독립 계산으로 검증합니다. --- --- id: "lessons/heuristic-testing-and-stress" title: "휴리스틱 검증: 차분 계산과 스트레스 테스트" description: "전체 비용 재계산으로 차분식을 확인하고, 고정 seed와 작은 반례로 오류를 재현합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["휴리스틱","stress test"] url: "https://www.readiz.com/records/heuristic-testing-and-stress/" markdownUrl: "https://www.readiz.com/records/heuristic-testing-and-stress/index.md" recordFolder: "강의/휴리스틱/경로 개선" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1%2F%EA%B2%BD%EB%A1%9C+%EA%B0%9C%EC%84%A0" --- # 휴리스틱 검증: 차분 계산과 스트레스 테스트 앞 강의에서 만든 경로가 짧아졌더라도 계산이 맞는지는 별도로 확인해야 합니다. 이번에는 같은 배송 경로를 두 가지 방법으로 평가해 오류를 찾고, 실패를 작은 입력으로 남기는 방법을 배웁니다. 빠른 풀이가 맞는지 확인하려면 다른 방법으로 계산한 기준 답이 필요합니다. 작은 입력에서는 완전탐색을 돌릴 수 있습니다. 같은 함수를 이름만 바꾸어 두 번 호출하면 비교 결과가 같아도 아무것도 검증하지 못합니다. ## 최적 비용과 비교할 수 있는 경우 [TSP 완전탐색과 DP](https://h.readiz.com/learn/tsp-hamiltonian)는 작은 입력에서 같은 최적 비용을 내야 합니다. 정점 수를 작게 잡고 두 구현에 같은 비용 행렬을 넣습니다. 경로 자체는 최적해가 여러 개일 수 있으므로 비용과 방문 조건을 비교합니다. [ORDERING](https://h.readiz.com/practice/ORDERING)은 창고 0이 고정된 열린 경로입니다. `n = 4`면 나머지 세 배송지의 순서 6개만 확인하면 됩니다. 휴리스틱이 그 최적 비용과 다르다고 곧바로 버그인 것은 아닙니다. 유효한 답인지와 최적해에서 얼마나 떨어졌는지를 구분해서 기록합니다. ## ORDERING의 차분 계산을 검증하기 [열린 경로 2-opt](https://www.readiz.com/records/heuristic-open-path-two-opt/)는 뒤집는 구간의 경계 간선만 비교합니다. 이 계산에는 전체 경로를 더하는 `get_path_dist`라는 별도의 기준이 있습니다. 1. 유효한 `order[]`를 복사해 두고 전체 비용 `before`를 구합니다. 2. 모든 `1 <= left < right < n`에서 경계 간선의 비용 변화 `delta`를 계산합니다. 3. 해당 구간을 실제로 뒤집고 전체 비용 `after`를 다시 구합니다. `after - before == delta`여야 합니다. 4. 같은 구간을 다시 뒤집어 배열과 비용이 원래대로 돌아오는지 확인합니다. 인접한 두 위치, 마지막 배송지를 포함한 구간, 거리 0인 서로 다른 점을 포함합니다. 특히 `right == n - 1`일 때는 복귀 간선이 없습니다. 순열의 중복·누락과 `order[0] == 0`도 함께 확인하면 비용 계산과 상태 변경을 나누어 추적할 수 있습니다. ### 잘못된 차분식이 드러나는 입력 x축 좌표가 `0=0, A=1, B=9, C=8, D=2`이고 순서가 `0,A,B,C,D`라면 꼬리 `B,C,D`를 뒤집어 봅니다. 전체 비용은 `16 → 9`라서 차분은 `−7`이어야 합니다. [열린 경로 그림](https://www.readiz.com/records/heuristic-open-path-two-opt/)과 같은 입력입니다. 그런데 사이클 공식을 잘못 가져오면 없는 복귀 간선까지 계산합니다. 제거 비용은 `A-B + D-0 = 8+2=10`, 추가 비용은 `A-D + B-0 = 1+9=10`이어서 잘못된 차분 0이 나옵니다. 이 한 입력으로 차분식과 전체 재계산의 불일치를 재현할 수 있습니다. 실제 뒤집기 뒤 다시 뒤집었을 때는 원래 순열과 비용 16이 돌아와야 합니다. ## 비교할 두 계산을 분리하기 ![원래 경로에서 경계 차분 계산과 실제 뒤집기 후 전체 재계산을 독립적으로 수행합니다. 두 차이가 같은지 확인하고 다시 뒤집어 원래 경로로 돌아오는지 검사합니다.](https://www.readiz.com/assets/lessons/heuristic-paths/stress-flow.svg) 경계식의 정답을 다른 경계식으로 확인하면 같은 실수를 공유할 수 있습니다. 기준 계산은 처음부터 끝까지 모든 인접 거리를 더해야 합니다. 복구 검사에서는 비용뿐 아니라 순열 자체가 원본과 같은지도 봅니다. ## 무작위 입력에서 실패를 재현하기 작은 입력을 여러 개 생성해 같은 비교를 반복합니다. [공통 난수 코드](https://h.readiz.com/learn/cpp-common-library)의 seed를 고정하면 실패한 실행을 다시 만들 수 있습니다. 입력 생성용 seed와 풀이 내부의 탐색 seed는 따로 기록합니다. 불일치를 찾으면 seed만 남기지 말고 실제 입력, 이동 구간, 예상값과 실제값도 저장합니다. 원소를 줄여도 실패가 남는지 확인하면 경계 하나가 빠진 경우인지, 차분식 자체가 틀린지 찾기 쉽습니다. 줄이는 동안에도 원래 문제의 입력 조건은 유지해야 합니다. ## 점수와 시간 비교 차분과 유효성 검사를 통과한 뒤 동일한 TC·탐색 예산에서 초기해, 2-opt, 새 연산을 비교합니다. 평균뿐 아니라 어떤 TC가 나빠졌는지도 봅니다. 튜닝에 쓰지 않은 입력을 따로 남겨 특정 seed에만 맞춘 변경을 구분합니다. 최대 입력의 시간 측정에는 초기화, 입력 처리, 점수 재계산, 최종 답 생성도 포함합니다. 스트레스 반복문과 검증용 출력은 로컬 하네스에 두고 제출 함수에는 넣지 않습니다. ## 실행 가능한 스트레스 테스트 [검증 프로그램 내려받기](https://www.readiz.com/assets/lessons/heuristic-paths/ordering-stress.cpp)는 일반 C++17 환경에서 실행하는 독립 예제입니다. 서버 로그인이나 문제 채점기가 필요하지 않습니다. ```bash c++ -std=c++17 -O1 -g -fsanitize=address,undefined \ -fno-sanitize-recover=all ordering-stress.cpp -o ordering-stress ./ordering-stress ``` 프로그램은 다음 순서로 검사합니다. 1. 그림의 꼬리 뒤집기에서 실제 차분이 -7인지, 잘못된 사이클 공식이 0을 내는지 확인합니다. 2. 고정 seed `20261004`로 1,000개의 작은 좌표·순열을 만듭니다. 3. 모든 유효한 구간에 대해 경계 차분과 전체 재계산을 비교합니다. 4. 이동 후 시작점·방문 조건과 두 번 뒤집은 뒤의 원상 복구를 검사합니다. ```text PASS: fixed tail counterexample and 1000 seeded cases ``` 불일치가 나면 좌표, 원래 순열, 구간, 기대 차분과 계산 차분을 표준 오류로 출력하고 실패로 종료합니다. seed는 입력을 다시 만드는 단서이고, 실제 입력은 난수 생성 코드를 바꾼 뒤에도 남는 재현 자료입니다. 이 검사는 **차분과 상태 변경의 일관성**을 확인하며, 최적 경로를 찾는다는 보장은 하지 않습니다. --- --- id: "lessons/prefix-sum-difference" title: "누적합과 차분 배열: 구간을 한 번에 처리하기" description: "구간 합과 구간 덧셈을 분리하고, 경계 표시를 실제 값으로 복원합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["sum","difference array"] url: "https://www.readiz.com/records/prefix-sum-difference/" markdownUrl: "https://www.readiz.com/records/prefix-sum-difference/index.md" recordFolder: "강의/배열·구간" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EB%B0%B0%EC%97%B4%C2%B7%EA%B5%AC%EA%B0%84" --- # 누적합과 차분 배열: 구간을 한 번에 처리하기 누적합은 배열의 앞에서부터 합을 미리 저장해 두고, 구간 합을 빠르게 꺼내는 기법입니다. 차분 배열은 반대로 여러 구간에 값을 더하는 작업을 표시만 해 두었다가 마지막에 한 번에 실제 값을 복원하는 기법입니다. 두 기법은 모두 "구간을 매번 직접 훑지 않는다"는 생각에서 출발합니다. ```text 구간 합을 많이 물어본다 -> 누적합 구간 업데이트를 많이 한 뒤 최종 배열만 필요하다 -> 차분 배열 격자 직사각형 합을 많이 물어본다 -> 2차원 누적합 격자 직사각형 업데이트를 많이 모은다 -> 2차원 차분 배열 ``` Fenwick Tree나 Segment Tree보다 단순하지만, 업데이트와 질의가 섞이지 않는 문제에서는 더 빠르고 구현도 짧습니다. ## 1차원 누적합 배열 `a`가 있을 때 `prefix[i]`를 `a[0]`부터 `a[i - 1]`까지의 합으로 정의합니다. 즉 `prefix[0] = 0`이고, `prefix`의 길이는 `n + 1`입니다. ```text a: 3 1 4 1 5 prefix: 0 3 4 8 9 14 index: 0 1 2 3 4 5 ``` 이렇게 잡으면 0-indexed 구간 `[l, r]`의 합은 아래처럼 구합니다. ```text sum(l, r) = prefix[r + 1] - prefix[l] ``` 예를 들어 `a[1] + a[2] + a[3] = 1 + 4 + 1 = 6`입니다. ```text prefix[4] - prefix[1] = 9 - 3 = 6 ``` ## 구현 `prefix[i]`에는 앞의 `i`개 원소 합을 저장합니다. `prefix[0] = 0`을 두면 `l = 0`인 구간도 같은 식으로 계산할 수 있습니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp #include #include using namespace std; vector buildPrefix(const vector& a) { int n = (int)a.size(); vector prefix(n + 1, 0); for (int i = 0; i < n; ++i) { prefix[i + 1] = prefix[i] + a[i]; } return prefix; } long long rangeSum(const vector& prefix, int l, int r) { return prefix[r + 1] - prefix[l]; } ``` 구간은 0부터 시작하는 양 끝 포함 `[l, r]`입니다. 입력이 1부터 시작하면 두 끝에서 1을 뺍니다. 빈 구간을 허용하는 호출부에서는 `l > r`일 때 0을 반환하도록 처리합니다. 누적합을 한 번 만드는 데 `O(n)`, 이후 구간 하나는 `O(1)`이므로 질의 `q`개의 총비용은 `O(n + q)`입니다. ## 차분 배열 차분 배열은 인접한 값의 차이를 저장합니다. ```text a: 3 1 4 1 5 diff: 3 -2 3 -3 4 ``` `diff[0] = a[0]`이고, `diff[i] = a[i] - a[i - 1]`입니다. 이 차분 배열의 누적합을 다시 구하면 원래 배열이 복원됩니다. ```text 3 3 + (-2) = 1 1 + 3 = 4 4 + (-3) = 1 1 + 4 = 5 ``` 차분 배열의 장점은 구간에 값을 더할 때 나타납니다. ```text a[l]부터 a[r]까지 x를 더하고 싶다. ``` 이 작업은 차분 배열에서 두 곳만 바꾸면 됩니다. ```text diff[l] += x diff[r + 1] -= x ``` `l`부터 값이 x만큼 올라가고, `r + 1`부터 다시 x만큼 내려가도록 표시하는 것입니다. ## 구간 업데이트를 모아서 적용하기 `diff`에 업데이트만 모은 뒤 누적해서 원래 배열에 더합니다. 처음부터 0인 배열도 같은 코드에 넣을 수 있습니다. ```cpp vector addRangesToArray( const vector& a, const vector>& queries ) { int n = (int)a.size(); vector diff(n + 1, 0); for (auto [l, r, value] : queries) { diff[l] += value; diff[r + 1] -= value; } vector result(n); long long extra = 0; for (int i = 0; i < n; ++i) { extra += diff[i]; result[i] = a[i] + extra; } return result; } ``` 업데이트 `q`개를 기록하고 최종 배열을 복원하는 데 `O(q + n)`이 듭니다. 중간 상태의 구간 합을 묻는 질의가 섞이면 이 방식만으로는 처리할 수 없습니다. 시간 구간을 `[start, end)`로 표현한다면 종료 표시는 `end + 1`이 아니라 `end`에 둡니다. 모든 업데이트가 끝난 뒤 합 질의만 남는다면 복원한 배열의 누적합을 만들면 됩니다. ## 2차원 누적합 격자에서 직사각형 합을 많이 물어보면 2차원 누적합을 씁니다. `prefix[y][x]`를 왼쪽 위부터 `(y - 1, x - 1)`까지의 직사각형 합으로 정의합니다. 모든 행의 길이가 같은 직사각형 격자를 받으며, 배열 크기는 `(h + 1) x (w + 1)`로 둡니다. ```cpp vector> buildPrefix2D(const vector>& grid) { int h = (int)grid.size(); int w = h == 0 ? 0 : (int)grid[0].size(); vector> prefix(h + 1, vector(w + 1, 0)); for (int y = 0; y < h; ++y) { for (int x = 0; x < w; ++x) { prefix[y + 1][x + 1] = prefix[y][x + 1] + prefix[y + 1][x] - prefix[y][x] + grid[y][x]; } } return prefix; } ``` `prefix[y][x]`가 두 번 더해지는 영역을 한 번 빼는 것이 핵심입니다. ## 2차원 직사각형 합 [2차원 누적합: 더하고 빼는 영역 따라가기](https://www.readiz.com/learn/lab/?demo=prefix-sum) 질의 직사각형을 바꾸고 네 항을 한 단계씩 적용해 보세요. 중복으로 뺀 왼쪽 위 영역을 마지막에 되돌리면, 선택한 직사각형의 셀만 한 번씩 남습니다. 데모의 반열린 구간 `[r1, r2) × [c1, c2)`에서 `r2`, `c2`는 아래 양끝 포함 코드의 `y2 + 1`, `x2 + 1`에 해당합니다. 위쪽 행 `y1`, 아래쪽 행 `y2`, 왼쪽 열 `x1`, 오른쪽 열 `x2`가 모두 0-indexed이고 양 끝 포함이라고 하겠습니다. ```cpp long long rectSum( const vector>& prefix, int y1, int x1, int y2, int x2 ) { return prefix[y2 + 1][x2 + 1] - prefix[y1][x2 + 1] - prefix[y2 + 1][x1] + prefix[y1][x1]; } ``` 그림으로 생각하면 큰 직사각형에서 위쪽과 왼쪽을 빼고, 두 번 빠진 왼쪽 위를 다시 더합니다. ```text answer = 전체 - 위쪽 - 왼쪽 + 왼쪽 위 중복 영역 ``` 2차원 누적합도 질의는 `O(1)`입니다. 전처리는 `O(hw)`입니다. ## 2차원 차분 배열 여러 직사각형에 값을 더한 뒤 최종 격자만 필요할 때 씁니다. `(y1, x1)`에서 증가를 시작하고, 아래쪽과 오른쪽 경계 다음 칸에서 각각 취소합니다. 두 번 취소된 오른쪽 아래 영역은 한 번 더해 복구합니다. ```cpp #include #include using namespace std; vector> applyRectAdds( int h, int w, const vector>& queries ) { vector> diff(h + 1, vector(w + 1, 0)); for (auto [y1, x1, y2, x2, value] : queries) { diff[y1][x1] += value; diff[y2 + 1][x1] -= value; diff[y1][x2 + 1] -= value; diff[y2 + 1][x2 + 1] += value; } vector> result(h, vector(w, 0)); for (int y = 0; y < h; ++y) { for (int x = 0; x < w; ++x) { long long value = diff[y][x]; if (y > 0) value += result[y - 1][x]; if (x > 0) value += result[y][x - 1]; if (y > 0 && x > 0) value -= result[y - 1][x - 1]; result[y][x] = value; } } return result; } ``` `diff`를 `(h + 1) × (w + 1)`로 만들면 `y2 + 1 == h`나 `x2 + 1 == w`인 표시도 안전합니다. 최종 결과는 `h × w`만 사용합니다. ## 로컬 연습: 구간을 모두 갱신한 뒤 합 질의 배열에 M개의 구간 덧셈을 모두 적용한 뒤 Q개의 구간 합을 구하세요. 모든 구간은 0-based \[l,r)이며 빈 구간도 허용합니다. **입력:** N M Q, 길이 N의 초기 배열, M줄의 l r delta, Q줄의 l r 순서입니다. 1 <= N <= 200000, 0 <= M,Q <= 200000, |원소|,|delta| <= 1000000, 0 <= l <= r <= N입니다. **출력:** 각 질의의 합을 한 줄씩 출력합니다. ### 예시 ```text exercise=prefix-sum-difference role=input 5 2 3 2 -1 3 0 4 1 4 2 0 2 -1 0 5 1 4 2 2 ``` ```text exercise=prefix-sum-difference role=output 12 7 0 ``` **확인 방법:** 차분으로 갱신을 모은 뒤 복원한 배열은 \[1,0,5,2,4]입니다. 그 배열의 누적합으로 질의합니다. N <= 20에서는 원소별 갱신·직접 합산과 비교하고, l=r과 r=N을 검사합니다. ## 경계 표시를 직접 복원하기 ![초기 배열 2,-1,3,0,4에 두 업데이트를 표시합니다. 차분 -1,2,1,0,-2,0을 누적하면 추가량 -1,1,2,2,0이 되고, 최종 배열은 1,0,5,2,4입니다.](https://www.readiz.com/assets/lessons/array-ranges/difference.svg) [차분의 표시와 복원을 한 단계씩 보기](https://www.readiz.com/learn/explore/?demo=difference) 본문 함수는 양 끝을 포함하는 `[l, r]`을 받지만, 로컬 연습과 새 데모는 오른쪽 끝을 제외하는 `[l, r)`을 씁니다. `[1, 4)`에 2를 더한다면 `diff[1] += 2`, `diff[4] -= 2`입니다. 빈 구간은 아무 값도 바꾸지 않으며 `r = N` 표시는 길이 `N + 1`인 차분 배열의 마지막 칸에 안전하게 기록합니다. ## 완성 파일로 실행하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/array-ranges/prefix-sum-difference.cpp) 위의 로컬 연습 입력을 `input.txt`에 저장합니다. 파일에는 본문 함수와 별도로, 64비트 복원 배열에서 누적합을 만드는 `main`이 들어 있습니다. 모든 갱신이 끝난 뒤에만 질의하므로 중간 상태의 질의는 지원하지 않습니다. ```sh c++ -std=c++17 -O2 prefix-sum-difference.cpp -o prefix-demo ./prefix-demo < input.txt ``` 출력은 차례대로 `12`, `7`, `0`입니다. 초기 원소는 작아도 여러 갱신과 긴 구간의 합은 `int` 범위를 넘을 수 있으므로 복원값과 합은 `long long`으로 계산합니다. --- --- id: "lessons/priority-queue-heap" title: "우선순위 큐와 힙: 계속 들어오는 후보 다루기" description: "배열과 트리를 함께 보며 힙을 고치고, 스트림에서 가장 큰 K개를 유지합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["data structure","heap","priority queue"] url: "https://www.readiz.com/records/priority-queue-heap/" markdownUrl: "https://www.readiz.com/records/priority-queue-heap/index.md" recordFolder: "강의/그래프 탐색" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B7%B8%EB%9E%98%ED%94%84+%ED%83%90%EC%83%89" --- # 우선순위 큐와 힙: 계속 들어오는 후보 다루기 작업이 하나씩 도착할 때마다 전체를 다시 정렬할 필요는 없습니다. 가장 급한 후보만 바로 꺼낼 수 있게 유지하면 됩니다. 이 강의에서는 트리와 배열이 같은 힙을 표현한다는 점을 확인한 뒤, 상위 K개 유지 문제를 완성 코드로 실행합니다. 우선순위 큐는 "지금 가장 우선순위가 높은 원소"를 빠르게 꺼내는 자료구조입니다. 일반 큐는 먼저 들어온 원소가 먼저 나오지만, 우선순위 큐는 값이나 조건에 따라 먼저 나올 원소가 정해집니다. ```text 가장 작은 비용의 작업을 먼저 처리한다. 마감이 급한 일을 먼저 꺼낸다. 현재까지 본 값 중 가장 큰 K개만 유지한다. Dijkstra에서 가장 짧은 후보 정점을 먼저 확정한다. ``` 이 레슨은 배열로 구현한 공통 최소 힙을 사용합니다. 최대 힙과 최소 힙은 부모·자식 사이에서 어떤 값이 먼저 나와야 하는지만 다릅니다. ## 후보가 계속 들어올 때 모든 후보가 처음부터 주어지고 순서대로 꺼내기만 한다면 한 번 정렬하면 됩니다. 후보가 계속 추가되면서 매번 최솟값이나 최댓값을 꺼내야 할 때 힙을 씁니다. ## 힙의 핵심 아이디어 ![max heap10,7,9,1,3,4를 층별로 배열에 저장합니다. 인덱스1의 자식은3과4입니다.](https://www.readiz.com/assets/lessons/graph-search/priority-queue-heap-original.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/priority-queue-heap-original.svg) 배열은 정렬된 순서가 아니라 트리를 위에서 아래로, 같은 층에서는 왼쪽부터 읽은 순서입니다. 부모와 자식 사이의 우선순위만 보장합니다. 우선순위 큐는 보통 binary heap으로 구현합니다. 힙은 완전 이진 트리 모양을 배열에 담고, 부모가 자식보다 우선순위가 높다는 조건을 유지합니다. max-heap에서는 부모가 자식보다 크거나 같습니다. ```text 10 / \ 7 9 / \ / 1 3 4 ``` 루트에는 항상 최댓값이 있습니다. 그래서 최댓값 조회는 `O(1)`입니다. 삽입과 삭제는 트리 높이만큼 위아래로 이동하므로 `O(log n)`입니다. 배열로 저장할 때 0-indexed 기준으로 관계는 아래와 같습니다. ```text parent(i) = (i - 1) / 2 left(i) = 2 * i + 1 right(i) = 2 * i + 2 ``` 배열로 작성한 전체 구현은 [공통 라이브러리의 최소 힙](https://h.readiz.com/learn/cpp-common-library)에 있습니다. 이 구현은 위 그림과 달리 1-index 배열을 써서 부모가 `i / 2`, 자식이 `2 * i`, `2 * i + 1`입니다. 삽입은 부모와 비교하며 올리고, 루트 삭제는 마지막 원소를 루트에 옮긴 뒤 두 자식 중 더 작은 쪽과 비교하며 내립니다. 같은 key는 ID 오름차순으로 처리합니다. ## 삽입과 삭제를 실제 배열에서 따라가기 ![최소 힙 1,5,9에 2를 넣으면 마지막에 추가한 뒤 부모 5와 바꿉니다. 최솟값 1을 삭제하면 마지막 값 5로 루트를 채우고 더 작은 자식 2와 바꿉니다.](https://www.readiz.com/assets/lessons/graph-search/heap-operations.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/heap-operations.svg) [배열과 트리를 함께 움직이는 힙 실험](https://www.readiz.com/learn/explore/?demo=heap) 새 실험은 아래 실행 코드와 같은 **1-indexed 최소 힙**입니다. 인덱스 0은 사용하지 않으며 부모는 `i / 2`, 자식은 `2i`, `2i + 1`입니다. 위의 max-heap 그림은 구조 설명용이고, 여기서는 작은 값을 먼저 버리기 위해 min-heap을 사용합니다. 배열 전체가 정렬되어 있어야 하는 것은 아닙니다. 예를 들어 `[1, 5, 9, 7]`은 올바른 최소 힙입니다. 형제 5와 9의 순서를 정렬하는 대신, 각 부모가 자식보다 먼저 나올 수 있다는 조건만 지킵니다. 삽입 때는 위로, 루트 삭제 때는 더 작은 자식 쪽으로 내려갑니다. 데모는 조건을 복구하는 중간 상태도 보여줍니다. ## 상위 K개 유지 `0 <= K <= 원소 수`에서 가장 큰 K개만 유지하려면 min-heap을 씁니다. heap 안에는 현재 선택된 K개가 들어 있고, 그중 가장 작은 값이 top입니다. 공통 `min-heap` 블록을 붙인 뒤 아래 함수를 사용합니다. `values`와 `result`는 각각 `n`칸 이상이며 `0 <= n <= 200000`, `0 <= k <= n`, `|values[i]| <= 10^9`입니다. `result[i]`에 도착한 값 `i+1`개 중 상위 `min(k, i+1)`개 합을 기록합니다. 빈 입력이면 기록하지 않습니다. > **코드 환경: STL 없는 C++17 예제.** [공통 라이브러리](https://h.readiz.com/learn/cpp-common-library)의 필요한 블록을 앞에 붙입니다. 표준 헤더·STL·동적 할당을 사용하지 않으며, 실제 제출에서는 문제의 공개 API와 배열 상한을 맞춥니다. ```cpp const int MAX_TOP_K = 200000; hc::MinHeap topKHeap; bool topKSums(const int values[], int n, int k, long long result[]) { if (n < 0 || n > MAX_TOP_K || k < 0 || k > n) return false; topKHeap.clear(); long long sum = 0; for (int i = 0; i < n; ++i) { if (!topKHeap.push(values[i], i)) return false; sum += values[i]; if (topKHeap.size > k) { hc::HeapItem removed; topKHeap.pop(removed); sum -= removed.key; } result[i] = sum; } return true; } ``` 새 값이 들어올 때마다 일단 넣고, K개를 넘으면 가장 작은 값을 버립니다. 그러면 남은 값들은 가장 큰 K개입니다. 한 번 넣은 직후에는 최대 `min(k + 1, n)`개가 있으므로 힙 용량을 `MAX_TOP_K`로 잡았습니다. `k = 0`이면 매번 넣은 값을 바로 버려 모든 합이 0입니다. 입력 계약 안에서는 true를 반환하며, 호출할 때마다 힙과 합을 초기화합니다. 반대로 가장 작은 K개만 유지하려면 max-heap을 쓰고, K개를 넘으면 가장 큰 값을 버립니다. ## 이미 낡은 후보를 꺼냈을 때 배열의 거리나 우선순위를 바꾸어도 힙 안에 복사해 둔 값은 자동으로 바뀌지 않습니다. 수정할 원소를 찾아 지우는 대신 새 후보를 넣고, 옛 후보는 꺼냈을 때 걸러 낼 수 있습니다. [Dijkstra](https://www.readiz.com/records/dijkstra/)에서 정점 5까지의 거리 후보 20을 넣은 뒤 더 짧은 거리 12를 찾았다고 합시다. 힙에는 `(12, 5)`와 `(20, 5)`가 모두 있지만, `dist[5]`는 12입니다. 나중에 20을 꺼냈을 때 저장된 최단거리와 다르므로 버립니다. 같은 우선순위의 서로 다른 항목을 구분해야 하면 id를, 같은 항목의 여러 갱신을 구분해야 하면 버전을 함께 저장합니다. 무효 후보를 제거한 뒤 힙이 비었을 수도 있으므로 다시 확인합니다. ## 시간 복잡도 | 작업 | 시간 | | ----------------- | ------------ | | 최댓값/최솟값 조회 | `O(1)` | | 삽입 | `O(log n)` | | top 제거 | `O(log n)` | | 전체 n개 heapify | `O(n)` | | n개를 모두 push 후 pop | `O(n log n)` | 이 표의 heapify는 힙 전체를 한 번에 만드는 일반 알고리즘의 비용입니다. 공통 최소 힙은 `clear`, `top`, `push`, `pop`을 제공하며, n개를 push해서 만드는 데는 `O(n log n)`이 듭니다. 임의 원소 검색·중간 삭제가 핵심이면 인덱스를 따로 관리하는 힙이나 [Treap](https://h.readiz.com/learn/treap) 같은 탐색 트리를 검토합니다. ## 로컬 연습: 스트림에서 가장 큰 K개 합 정수가 하나씩 들어올 때 지금까지 들어온 값 중 가장 큰 min(K,현재 개수)개의 합을 출력하세요. 같은 값도 서로 다른 원소이며 음수라고 임의로 버리지 않습니다. **입력:** N K와 도착 순서의 N개 값. 1 <= N <= 200000, 0 <= K <= N, |값| <= 10^9입니다. **출력:** 매 도착 직후의 합을 N줄 출력합니다. ### 예시 ```text exercise=priority-queue-heap role=input 6 3 5 1 9 2 9 -3 ``` ```text exercise=priority-queue-heap role=output 5 6 15 16 23 23 ``` **확인 방법:** K개를 유지하는 최소 힙에서 가장 작은 값을 교체합니다. 작은 입력은 매 prefix를 정렬한 합과 비교합니다. K=0, K=N, 음수만 있는 입력과 중복 최댓값을 검사합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/graph-search/priority-queue-heap.cpp) ```sh c++ -std=c++17 -O2 priority-queue-heap.cpp -o lesson ./lesson < input.txt ``` 파일에는 원본 공통 라이브러리의 `min-heap` 블록, 본문의 `topKSums`, 입력을 읽는 `main`이 모두 들어 있습니다. 별도 헤더나 외부 소스 파일을 붙일 필요가 없습니다. 탐색 핵심은 고정 배열을 그대로 사용하고, 로컬 입출력 부분만 표준 라이브러리를 사용합니다. 위 예시는 `5, 6, 15, 16, 23, 23`을 출력합니다. K=0이면 모든 출력이 0, K=N이면 지금까지 들어온 값의 누적합입니다. ‘최대 K개’가 아니라 **정확히 min(K, 현재 개수)개**를 고르므로 `[-5,-2,-8]`, K=2의 답은 `-5,-7,-7`입니다. 음수를 임의로 버리지 않습니다. 실험의 교환 방식과 다운로드 힙의 빈칸 이동 방식은 중간 대입 순서가 다를 수 있지만 같은 `(key,id)` 비교 규칙을 사용합니다. 각 삽입·삭제가 끝난 상태의 원소와 top, 상위 K개 합을 비교합니다. [기존 힙 구현 노트](https://www.readiz.com/notes/data-structure/tree/heap/)도 함께 볼 수 있습니다. 기존 기록의 코드·작성 시점은 유지하며, 이 강의의 다운로드 파일을 현재 실습 기준으로 사용합니다. ## 관련 문서 - [Heap](https://www.readiz.com/notes/data-structure/tree/heap/index.md) --- --- id: "lessons/segment-tree" title: "Segment Tree: 구간 합과 미룬 갱신" description: "점 대입에서 구간 덧셈까지, 노드의 합과 lazy 값을 함께 추적합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["data structure","segment tree","sum"] url: "https://www.readiz.com/records/segment-tree/" markdownUrl: "https://www.readiz.com/records/segment-tree/index.md" recordFolder: "강의/구간 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B5%AC%EA%B0%84+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # Segment Tree: 구간 합과 미룬 갱신 [Fenwick Tree](https://www.readiz.com/records/fenwick-tree/)에서는 정해진 prefix 구간을 모아 합을 구했습니다. 이번에는 배열을 반씩 나눈 구간에서 답을 합칩니다. **점 하나를 새 값으로 바꾸는 연산**과 **구간 전체에 값을 더하는 연산**을 구분하고, 후자의 작업을 자식에게 미루는 과정을 따라갑니다. 배열 값이 바뀌는 동안 구간 합·최솟값·최댓값을 묻는다면, 구간을 반으로 나눈 트리에 결과를 저장할 수 있습니다. 바뀐 위치를 포함하는 구간만 고쳐 점 갱신과 구간 질의를 `O(log n)`에 처리합니다. ## 구간을 반으로 나누는 트리 Segment Tree의 각 노드는 배열의 한 구간을 담당합니다. ```text [0, 7] ├─ [0, 3] │ ├─ [0, 1] │ └─ [2, 3] └─ [4, 7] ├─ [4, 5] └─ [6, 7] ``` 루트는 전체 구간을 담당하고, 자식은 구간을 절반씩 나누어 담당합니다. 길이가 1인 구간이 leaf입니다. 구간 합 Segment Tree라면 각 노드는 자신이 담당하는 구간의 합을 저장합니다. ```text node [l, r] = a[l] + a[l + 1] + ... + a[r] ``` 구간 최솟값이면 합 대신 최솟값을 저장하면 됩니다. 중요한 점은 두 자식의 값을 합쳐 부모 값을 만들 수 있어야 한다는 것입니다. ## Fenwick과 구분해서 선택하기 점 덧셈과 구간 합만 필요하면 Fenwick의 짧은 구현으로 충분합니다. 구간 합을 두 prefix의 차로 만들 수 있기 때문입니다. 반면 일반적인 구간 최솟값은 두 prefix 최솟값을 빼서 얻을 수 없습니다. Segment Tree는 구간을 나누어 합·최솟값·최댓값 등 필요한 연산으로 합칩니다. 구간 덧셈과 구간 합도 두 Fenwick을 조합하면 처리할 수 있습니다. 여기서 Segment Tree를 배우는 목적은 **구간을 합치는 규칙과 갱신을 합성하는 규칙을 직접 정하는 것**입니다. lazy를 붙였다고 모든 업데이트를 자동으로 처리할 수 있는 것은 아닙니다. ## Top-down 재귀 구현 가장 설명하기 쉬운 구현은 재귀로 구간을 내려가는 top-down 방식입니다. `tree[node]`가 `[start, end]` 구간의 값을 저장한다고 합시다. `node * 2`는 왼쪽 자식, `node * 2 + 1`은 오른쪽 자식입니다. 구현을 단순하게 하기 위해 `tree` 배열 크기는 보통 `4 * n`으로 잡습니다. ## 구간 질의 구간 `[left, right]`의 합을 구할 때는 현재 노드의 구간 `[start, end]`와의 관계를 봅니다. | 관계 | 처리 | | -------- | ---------------- | | 겹치지 않는다 | 0을 반환 | | 완전히 포함된다 | `tree[node]`를 반환 | | 일부만 겹친다 | 두 자식으로 내려가서 합친다 | 한 질의에서 내려가는 노드는 트리 높이마다 많아야 몇 개씩입니다. 그래서 시간 복잡도는 `O(log n)`입니다. ## 포함되는 구간만 답에 더하기 ![배열 1,2,3,4에서 닫힌 구간 1부터 3까지 질의하면 왼쪽 자식은 일부만 겹쳐 1번 원소까지 내려가고, 오른쪽 자식 2부터 3은 전체 합 7을 그대로 사용합니다. 답은 2 더하기 7인 9입니다.](https://www.readiz.com/assets/lessons/range-structures/segment-query.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/segment-query.svg) · [점 대입과 구간 갱신 실험](https://www.readiz.com/learn/explore/?demo=segment) `[1,2,3,4]`에서 `query(1,3)`의 답은 9입니다. `[0,1]` 노드는 일부만 겹치므로 원소 1까지 내려가고, `[2,3]` 노드는 완전히 포함되어 저장된 7을 바로 반환합니다. 범위 밖인 `[0,0]`은 합의 항등원 0입니다. 그림과 본문의 배열 인덱스는 0부터이고 구간은 \*\*양 끝 포함 `[l,r]`\*\*입니다. 트리 노드 번호는 루트 1부터 시작합니다. 원소 위치와 노드 번호를 서로 바꾸어 읽지 않습니다. ## 점 업데이트 한 위치 `idx`의 값을 `newValue`로 바꿀 때는 leaf까지 내려간 뒤, 돌아오면서 지나온 노드 값을 다시 계산합니다. 변한 위치를 포함하는 노드만 고치면 되므로 점 업데이트도 `O(log n)`입니다. ## Top-down 전체 구현 아래 구현은 비어 있지 않은 0-indexed 배열에서 구간 합과 점 업데이트를 처리합니다. 질의는 `0 <= l <= r < n`, 갱신 위치는 `0..n-1` 범위입니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp #include using namespace std; struct SegmentTree { int n; vector tree; SegmentTree(const vector& values) { n = (int)values.size(); tree.assign(4 * n, 0); build(1, 0, n - 1, values); } void build(int node, int start, int end, const vector& values) { if (start == end) { tree[node] = values[start]; return; } int mid = (start + end) / 2; build(node * 2, start, mid, values); build(node * 2 + 1, mid + 1, end, values); tree[node] = tree[node * 2] + tree[node * 2 + 1]; } long long query(int left, int right) { return query(1, 0, n - 1, left, right); } long long query(int node, int start, int end, int left, int right) { if (right < start || end < left) return 0; if (left <= start && end <= right) return tree[node]; int mid = (start + end) / 2; return query(node * 2, start, mid, left, right) + query(node * 2 + 1, mid + 1, end, left, right); } void update(int idx, long long newValue) { update(1, 0, n - 1, idx, newValue); } void update(int node, int start, int end, int idx, long long newValue) { if (start == end) { tree[node] = newValue; return; } int mid = (start + end) / 2; if (idx <= mid) { update(node * 2, start, mid, idx, newValue); } else { update(node * 2 + 1, mid + 1, end, idx, newValue); } tree[node] = tree[node * 2] + tree[node * 2 + 1]; } }; ``` 입력 구간이 1-indexed라면 `query(l - 1, r - 1)`처럼 바꿔 호출합니다. ## 합 말고 다른 연산일 때 Segment Tree에서 바뀌는 것은 세 가지입니다. 1. 두 자식 값을 합치는 `merge` 2. 구간 밖을 만났을 때 돌려줄 항등원 3. 업데이트 뒤 노드 값을 다시 계산하는 방법 | 질의 | merge | 항등원 | | ------ | ----------- | ------------- | | 구간 합 | `a + b` | `0` | | 구간 최솟값 | `min(a, b)` | 충분히 큰 `INF` | | 구간 최댓값 | `max(a, b)` | 충분히 작은 `-INF` | | 구간 gcd | `gcd(a, b)` | `0` | 이처럼 결합 법칙이 성립하고 항등원이 있는 연산을 monoid로 볼 수 있습니다. Segment Tree는 사실상 "구간을 나눠 monoid 값을 합치는 자료구조"입니다. ## Lazy Propagation 점 하나가 아니라 구간 전체에 값을 더해야 한다면 어떻게 해야 할까요? ```text 1. 구간 [l, r]의 모든 값에 x를 더한다. 2. 구간 [l, r]의 합을 구한다. ``` 구간에 포함된 원소를 하나씩 업데이트하면 한 번에 `O(k log n)`이 걸립니다. Lazy Propagation은 "이 구간 전체에 더해야 할 값이 있다"는 표시를 노드에 남겨 두고, 자식으로 내려갈 때만 밀어 넣는 방식입니다. 구간 합에서 노드 `[start, end]` 전체에 `value`를 더하면 그 노드의 합은 다음만큼 증가합니다. ```text (end - start + 1) * value ``` 아래 구현에서 `lazy[node]`는 현재 노드의 합에도 아직 반영하지 않은 증가량입니다. `push`가 합을 갱신한 뒤 그 증가량을 자식 lazy로 넘깁니다. ## 미뤄 둔 값이 어디에 있는지 확인하기 ![배열 1,2,3,4 전체에 3을 더하면 루트 합은 22이고 자식 합은 3과 7인 채 lazy 3을 가집니다. 왼쪽을 push하면 합 9가 되고 lazy 3이 두 잎으로 전달됩니다.](https://www.readiz.com/assets/lessons/range-structures/segment-lazy.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/segment-lazy.svg) 초기 배열 `[1,2,3,4]`에 `rangeAdd(0,3,3)`을 하면 실제 배열은 `[4,5,6,7]`, 전체 합은 22입니다. 루트의 합은 갱신했지만 두 자식의 합은 아직 3과 7입니다. 각 자식의 `lazy = 3`이 ‘내 담당 원소마다 3을 더해야 한다’는 작업을 보관합니다. 이 상태에서 `query(0,1)`을 하면 왼쪽 자식에 `2 × 3`을 반영해 9를 얻습니다. 이 구현은 겹침 검사 **전에** `push`하므로, 질의에서 제외되는 오른쪽 자식도 방문 시 합이 13으로 갱신됩니다. 답에 더하는 것과 밀린 작업을 처리하는 것은 다른 동작입니다. 실험에서 숫자가 늦게 바뀌는 자식이 있어도 바로 오류는 아닙니다. `tree`와 `lazy`를 함께 해석해야 합니다. 중간 갱신 단계가 끝나기 전에는 다른 질의를 끼워 넣지 않습니다. ## lazy 내려보내기 [원문 lazy 단계 그림 크게 보기](https://www.readiz.com/assets/lessons/range-structures/segment-tree-concept-trace.svg) 재귀로 노드를 방문할 때 먼저 `push`를 호출해 현재 노드에 밀려 있는 값을 처리합니다. 이 함수는 세 가지 일을 합니다. 1. 현재 노드의 합에 밀린 증가량을 반영합니다. 2. leaf가 아니면 자식 lazy에 증가량을 넘깁니다. 3. 현재 노드의 lazy 값을 비웁니다. ## lazy 구간 업데이트 업데이트 구간이 현재 노드를 완전히 덮으면, 그 노드의 lazy만 기록하고 바로 처리합니다. 일부만 겹치면 자식으로 내려갑니다. 완전히 포함되는 노드는 자식까지 내려가지 않습니다. 그래서 구간 업데이트도 `O(log n)`에 가까운 비용으로 처리됩니다. ## lazy 구간 질의 질의도 마찬가지로 방문한 노드에서 `push`를 먼저 호출합니다. `push`를 빼먹으면 부모에는 업데이트가 반영되어 있는데 자식 값은 오래된 상태로 남을 수 있습니다. ## Lazy 전체 구현 아래 구현은 0-indexed 배열에서 구간 덧셈과 구간 합 질의를 처리합니다. 합에는 `구간 길이 × 증가량`이 누적되므로 노드 값과 lazy는 `long long`으로 저장합니다. ```cpp #include using namespace std; struct LazySegmentTree { int n; vector tree; vector lazy; LazySegmentTree(const vector& values) { n = (int)values.size(); tree.assign(4 * n, 0); lazy.assign(4 * n, 0); build(1, 0, n - 1, values); } void build(int node, int start, int end, const vector& values) { if (start == end) { tree[node] = values[start]; return; } int mid = (start + end) / 2; build(node * 2, start, mid, values); build(node * 2 + 1, mid + 1, end, values); tree[node] = tree[node * 2] + tree[node * 2 + 1]; } void push(int node, int start, int end) { if (lazy[node] == 0) return; tree[node] += (end - start + 1) * lazy[node]; if (start != end) { lazy[node * 2] += lazy[node]; lazy[node * 2 + 1] += lazy[node]; } lazy[node] = 0; } void rangeAdd(int left, int right, long long value) { rangeAdd(1, 0, n - 1, left, right, value); } void rangeAdd(int node, int start, int end, int left, int right, long long value) { push(node, start, end); if (right < start || end < left) return; if (left <= start && end <= right) { lazy[node] += value; push(node, start, end); return; } int mid = (start + end) / 2; rangeAdd(node * 2, start, mid, left, right, value); rangeAdd(node * 2 + 1, mid + 1, end, left, right, value); tree[node] = tree[node * 2] + tree[node * 2 + 1]; } long long query(int left, int right) { return query(1, 0, n - 1, left, right); } long long query(int node, int start, int end, int left, int right) { push(node, start, end); if (right < start || end < left) return 0; if (left <= start && end <= right) return tree[node]; int mid = (start + end) / 2; return query(node * 2, start, mid, left, right) + query(node * 2 + 1, mid + 1, end, left, right); } }; ``` ## 업데이트 순서가 달라지면 lazy propagation에서는 lazy 값끼리 어떻게 합쳐지는지도 따로 정해야 합니다. | 업데이트 | 노드 값 변화 | lazy 합성 | | -------------- | ------------------------ | -------------------- | | 구간 덧셈 + 구간 합 | `tree += value * length` | 기존 lazy에 더함 | | 구간 덧셈 + 구간 최솟값 | `tree += value` | 기존 lazy에 더함 | | 구간 대입 + 구간 합 | `tree = value * length` | 이전 lazy를 새 대입 값으로 덮음 | | 구간 대입 + 구간 최솟값 | `tree = value` | 이전 lazy를 새 대입 값으로 덮음 | 구간 덧셈과 구간 대입이 동시에 있으면 "대입 뒤 덧셈"과 "덧셈 뒤 대입"의 순서가 결과를 바꿉니다. 이 경우 lazy 상태를 단일 숫자로 두기보다 `hasAssign`, `assignValue`, `addValue`처럼 의미를 분리해 합성 규칙을 명시하는 편이 안전합니다. 빌드는 `O(n)`, 구간 덧셈과 합 질의는 `O(log n)`, 메모리는 `O(n)`입니다. 위 구현은 생성자에 전달한 비어 있지 않은 배열에서 시작합니다. ## 구간 갱신 실습 [창고 구역 장부](https://h.readiz.com/practice/SHELFLOG)에 구간 덧셈·구간 합 구현을 적용할 수 있습니다. 전체 구간을 갱신한 직후 일부 구간을 조회하면 lazy 전달이 맞는지 확인하기 좋습니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/range-structures/segment-tree.cpp) ```sh c++ -std=c++17 -O2 segment-tree.cpp -o lesson ./lesson < input.txt ``` 기본 모드는 **구간 덧셈과 구간 합**입니다. `N Q`, N개 초기 값, Q개 연산을 받습니다. `A l r delta`는 `[l,r]`의 모든 값에 delta를 더하고, `Q l r`은 합을 한 줄에 출력합니다. ```text 4 4 1 2 3 4 A 0 3 3 Q 0 1 A 1 2 -2 Q 0 3 ``` 출력은 9와 18입니다. 실험의 기본 예제도 같은 입력입니다. 처음 전체 갱신 뒤 배열은 `[4,5,6,7]`, 두 번째 갱신 뒤에는 `[4,3,4,7]`입니다. 점 대입은 별도 모드로 실행합니다. ```sh ./lesson --point < point.txt ``` 이 모드에서는 `U index newValue`로 한 원소를 새 값으로 바꾸고 `Q l r`로 합을 구합니다. `U 1 -5`는 1번 값에 -5를 **더하는 것이 아니라 -5로 바꾸는 것**입니다. 초기 배열 `[1,2,3,4]`에서 이 갱신 뒤 `Q 1 3`의 답은 2입니다. 두 모드 모두 `1 ≤ N ≤ 200000`, `0 ≤ Q ≤ 200000`, 초기 값·대입 값·delta의 절댓값은 `10^6` 이하입니다. 인덱스는 `0..N-1`, 질의·갱신은 `0 ≤ l ≤ r < N`인 닫힌 구간입니다. 누적 합의 절댓값은 최대 `N × (Q+1) × 10^6 ≤ 4.00002 × 10^16`이어서 `long long` 범위 안입니다. 원소 하나가 작은 값이어도 여러 번 갱신한 **전체 합**을 기준으로 자료형을 정합니다. 파일에는 본문의 기본·lazy 구조체와 `main`이 모두 들어 있습니다. 입력 처리는 빈 배열, 뒤집힌 구간, 범위 밖 인덱스를 거부합니다. 작은 배열을 직접 바꾸고 합산하는 풀이와 비교하고, 전체 갱신 직후 부분 질의, 서로 겹치는 음수 갱신, 한 원소 구간을 확인하세요. [기존 Segment Tree 노트](https://www.readiz.com/notes/data-structure/tree/segmenttree/)는 bottom-up과 XOR 갱신을 다루는 코드 참고입니다. 이 강의의 덧셈 lazy와 XOR lazy는 합성 규칙이 다르므로 그대로 섞지 않습니다. ## 관련 문서 - [Segment Tree](https://www.readiz.com/notes/data-structure/tree/segmenttree/index.md) --- --- id: "lessons/two-pointers-sliding-window" title: "투 포인터와 슬라이딩 윈도우: 창을 움직이는 조건" description: "포인터를 되돌리지 않아도 되는 이유를 살피고, 음수 반례로 적용 범위를 확인합니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["two pointers","sliding window"] url: "https://www.readiz.com/records/two-pointers-sliding-window/" markdownUrl: "https://www.readiz.com/records/two-pointers-sliding-window/index.md" recordFolder: "강의/배열·구간" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EB%B0%B0%EC%97%B4%C2%B7%EA%B5%AC%EA%B0%84" --- # 투 포인터와 슬라이딩 윈도우: 창을 움직이는 조건 투 포인터는 배열이나 문자열에서 두 위치를 움직이며 필요한 구간이나 쌍을 찾는 방법입니다. 모든 쌍을 `O(n^2)`으로 보지 않고, 포인터가 한 방향으로만 움직이게 만들어 `O(n)` 또는 `O(n log n)`으로 줄이는 것이 핵심입니다. ## 언제 필요한가 아래 신호가 보이면 투 포인터를 먼저 의심합니다. - 정렬된 배열에서 합이 특정 값이 되는 두 수를 찾는다. - 연속 구간의 합, 길이, 종류 수를 묻는다. - 오른쪽 끝을 늘리면 조건이 좋아지거나 나빠지는 방향이 일정하다. - 같은 원소를 여러 번 세지 않으면서 모든 후보 구간을 훑어야 한다. 핵심은 **한 포인터가 되돌아가지 않아도 되는가**입니다. 왼쪽 포인터와 오른쪽 포인터가 각각 최대 `n`번만 움직이고 이동당 갱신이 `O(1)`이면 전체 시간은 `O(n)`입니다. ## 정렬된 배열에서 양끝 포인터 정렬된 배열에서 두 수의 합을 확인할 때는 왼쪽 끝과 오른쪽 끝에서 시작합니다. ```text a[l] + a[r] < target 이면 l을 오른쪽으로 이동 a[l] + a[r] > target 이면 r을 왼쪽으로 이동 ``` 정렬되어 있기 때문에 `l`을 오른쪽으로 옮기면 합은 커지고, `r`을 왼쪽으로 옮기면 합은 작아집니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp bool hasPairWithSum(vector a, int target) { sort(a.begin(), a.end()); int l = 0; int r = (int)a.size() - 1; while (l < r) { long long sum = (long long)a[l] + a[r]; if (sum == target) return true; if (sum < target) l++; else r--; } return false; } ``` ## 조건을 만족하는 가장 짧은 구간 ![양수 배열2,1,3,2에서 합5 이상 구간을 찾습니다. 합이 부족하면 오른쪽을 늘리고 충분하면 왼쪽을 줄입니다.](https://www.readiz.com/assets/lessons/array-ranges/window-trace.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/array-ranges/window-trace.svg) 모든 값이 양수라면 오른쪽 끝을 늘릴수록 구간 합은 커지고, 왼쪽 끝을 줄일수록 구간 합은 작아집니다. 이 단조성 덕분에 합이 `target` 이상인 가장 짧은 연속 구간을 `O(n)`에 찾을 수 있습니다. ```cpp int minLengthAtLeastSum(const vector& a, long long target) { int n = (int)a.size(); int answer = n + 1; int left = 0; long long sum = 0; for (int right = 0; right < n; right++) { sum += a[right]; while (left <= right && sum >= target) { answer = min(answer, right - left + 1); sum -= a[left]; left++; } } return answer == n + 1 ? -1 : answer; } ``` 값에 음수가 섞이면 오른쪽을 늘렸을 때 합이 항상 커지지 않습니다. 그때는 누적합 + 자료구조, prefix minimum, deque 같은 다른 도구가 필요할 수 있습니다. ## 조건을 만족하는 가장 긴 구간 구간 안의 서로 다른 값 개수, 최대 빈도, 합의 상한처럼 "오른쪽을 늘리면 조건이 깨질 수 있고, 왼쪽을 줄이면 회복된다"는 형태도 자주 나옵니다. ```cpp int longestAtMostKDistinct(const vector& a, int k) { if (k <= 0) return 0; unordered_map freq; int left = 0; int answer = 0; for (int right = 0; right < (int)a.size(); right++) { freq[a[right]]++; while ((int)freq.size() > k) { int value = a[left++]; if (--freq[value] == 0) freq.erase(value); } answer = max(answer, right - left + 1); } return answer; } ``` 해시 테이블 연산이 평균 `O(1)`이라는 전제에서 전체 평균 시간은 `O(n)`입니다. `while` 조건에는 "현재 창이 유효하지 않은 동안"을 넣습니다. 유효해진 뒤에 답을 갱신하면 창이 항상 문제 조건을 만족합니다. ## 로컬 연습: 목표 합 이상인 가장 짧은 구간 양수 배열에서 합이 S 이상인 연속 구간의 최소 길이를 구하세요. 그런 구간이 없으면 0입니다. **입력:** N S와 길이 N의 배열. 1 <= N <= 200000, 1 <= a\[i] <= 1000000, 1 <= S <= 10^12입니다. **출력:** 최소 길이 하나를 출력합니다. ### 예시 ```text exercise=two-pointers-sliding-window role=input 6 7 2 3 1 2 4 3 ``` ```text exercise=two-pointers-sliding-window role=output 2 ``` **확인 방법:** 마지막 \[4,3]의 길이가 2입니다. N <= 30에서 모든 구간을 열거해 비교합니다. 한 원소가 바로 S 이상인 경우와 전체 합이 S보다 작은 경우를 검사합니다. 음수 입력으로 바꾼 경우에는 창의 단조성이 유지되지 않습니다. ## 직접 움직이며 전제 확인하기 [슬라이딩 윈도우와 음수 반례 실험](https://www.readiz.com/learn/explore/?demo=window) 기본 예제에서는 `[2, 3, 1, 2, 4, 3]`과 목표 합 7을 사용합니다. 오른쪽 값을 더하고, 합이 충분한 동안 현재 길이를 기록한 뒤 왼쪽 값을 뺍니다. 각 단계에서 실제 구간, 합, 지금까지 찾은 최소 길이를 함께 표시합니다. ‘음수 반례’를 고르면 `[1, -1, 5]`, 목표 5로 같은 코드를 실행합니다. 전체 길이 3을 기록한 뒤 1을 빼면 합이 4가 되어 축소를 멈춥니다. 하지만 그다음 -1도 빼면 `[5]`만 남으므로 실제 답은 1입니다. **이 데모의 결과 3은 의도적으로 드러낸 오답**이며, 양수 입력용 함수를 음수 입력에 적용하면 안 되는 이유입니다. 목표는 항상 양수입니다. ## 완성 파일로 실행하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/array-ranges/two-pointers-sliding-window.cpp) 표준 헤더와 본문의 세 함수, 로컬 연습용 `main`을 포함합니다. 위 예시를 `input.txt`에 저장해 실행하면 2가 나옵니다. ```sh c++ -std=c++17 -O2 two-pointers-sliding-window.cpp -o window-demo ./window-demo < input.txt ``` `minLengthAtLeastSum` 함수는 답이 없으면 -1을 반환합니다. 연습 문제의 출력 약속은 0이므로 `main`이 -1을 0으로 바꿉니다. 실행 파일은 양수만 입력받으며, 음수 반례는 웹 데모에서 별도로 확인합니다. --- --- id: "lessons/union-find" title: "Union-Find: 연결하고 대표를 찾기" description: "집합을 합치고 경로를 압축하며, 중복 병합과 집합 크기를 다룹니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["data structure","union find"] url: "https://www.readiz.com/records/union-find/" markdownUrl: "https://www.readiz.com/records/union-find/index.md" recordFolder: "강의/연결 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EC%97%B0%EA%B2%B0+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # Union-Find: 연결하고 대표를 찾기 [BFS/DFS](https://www.readiz.com/records/bfs-dfs-grid/)는 이미 주어진 그래프를 탐색합니다. 이번에는 연결이 하나씩 추가될 때마다 두 원소가 같은 그룹인지 묻습니다. 부모 배열과 집합의 대표를 함께 보면, 경로 압축이 연결 관계를 바꾸는 연산이 아니라 조회를 빠르게 만드는 연산임을 확인할 수 있습니다. Union-Find는 여러 원소를 **서로 겹치지 않는 집합들**로 나누어 관리하는 자료구조입니다. Disjoint Set Union, 줄여서 DSU라고도 부릅니다. 이 자료구조가 다루는 핵심 질문은 두 가지입니다. ```text 1. x와 y는 지금 같은 집합에 있는가? 2. x가 속한 집합과 y가 속한 집합을 하나로 합칠 수 있는가? ``` 연결 관계가 계속 추가되고, 중간중간 같은 그룹인지 확인해야 하는 문제라면 Union-Find를 먼저 떠올릴 만합니다. 대표적인 예시는 연결 요소 구하기, 사이클 판정, Kruskal 최소 신장 트리, 모임이나 관계 기록으로 그룹 묶기입니다. [원문 그림: Union-Find의 핵심 연산 크게 보기](https://www.readiz.com/assets/lessons/connectivity/union-find-dsu-operations.svg) ## 집합을 숲으로 표현하기 Union-Find는 각 집합을 하나의 트리로 표현합니다. 트리의 루트가 그 집합의 **대표**입니다. 각 원소는 자기 부모를 하나만 기억합니다. 처음에는 모든 원소가 자기 자신만 들어 있는 집합입니다. ```text parent[0] = 0 parent[1] = 1 parent[2] = 2 parent[3] = 3 ``` 두 집합을 합칠 때는 한 집합의 대표를 다른 집합의 대표 밑에 붙입니다. 그래서 전체 구조는 여러 트리로 이루어진 숲이 됩니다. ```text 0 <- 1 <- 3 2 <- 4 5 ``` 이 상태에서 `0, 1, 3`은 같은 집합이고, `2, 4`는 다른 집합입니다. 원소 `5`는 혼자 있는 집합입니다. ## find: 대표 찾기 가장 단순한 `find`는 부모를 계속 따라 올라가다가, 자기 자신을 부모로 가진 루트를 만나면 그 값을 반환합니다. 이 방식은 맞지만, 트리가 한 줄로 길게 늘어지면 한 번의 `find`가 `O(n)`까지 느려질 수 있습니다. ```text 0 <- 1 <- 2 <- 3 <- 4 <- 5 ``` `find(5)`는 `5, 4, 3, 2, 1, 0`을 모두 지나야 합니다. 이런 모양이 반복되면 Union-Find의 장점이 사라집니다. ## 경로 압축 경로 압축은 `find`를 하면서 지나간 원소들의 부모를 곧바로 대표로 바꾸는 최적화입니다. 처음 `find(5)`는 여러 노드를 지나갈 수 있습니다. 하지만 그 뒤에는 `5`의 부모가 바로 대표가 되므로 다음 조회가 훨씬 빨라집니다. [원문 그림: 경로 압축 전후 크게 보기](https://www.readiz.com/assets/lessons/connectivity/union-find-path-compression.svg) 경로 압축은 답을 바꾸지 않습니다. 같은 집합 안에서 루트로 가는 길을 짧게 만드는 것뿐입니다. ## union: 대표끼리 합치기 두 원소 `a`, `b`를 합칠 때는 반드시 먼저 대표를 찾아야 합니다. `a`를 `b` 밑에 바로 붙이면 안 됩니다. `a`와 `b`가 집합의 중간 노드일 수도 있기 때문입니다. 항상 대표끼리 연결해야 집합 구조가 깨지지 않습니다. ## 크기 기준 합치기 단순히 한쪽 대표를 다른 쪽 대표 밑에 붙이면 트리가 길어질 수 있습니다. 그래서 각 집합의 크기를 `size[root]`에 저장하고, 작은 집합을 큰 집합 밑에 붙입니다. 이때 `size` 값은 대표에서만 의미가 있습니다. `rootB`가 `rootA` 밑으로 들어간 뒤에는 `size[rootB]`를 참조하면 안 됩니다. [원문 그림: 크기 기준 합치기 크게 보기](https://www.readiz.com/assets/lessons/connectivity/union-find-union-by-size.svg) 비슷한 최적화로 rank 기준 합치기도 있습니다. rank는 트리 높이의 대략적인 상한을 저장합니다. 실전에서는 크기 기준 합치기가 이해하기 쉽고, 집합 크기까지 같이 필요한 경우가 많아 자주 쓰입니다. ## 부모를 바꾸어도 같은 집합입니다 ![0과 1, 2와 3을 각각 합친 뒤 대표 2를 0 밑에 붙이면 3은 2를 거쳐 0으로 갑니다. find(3)은 부모를 0으로 줄이고, 같은 집합인 1과 3을 다시 합쳐도 집합 수는 줄지 않습니다.](https://www.readiz.com/assets/lessons/connectivity/dsu-trace.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/connectivity/dsu-trace.svg) · [부모 배열과 집합을 움직이는 실험](https://www.readiz.com/learn/explore/?demo=dsu) 원소가 6개일 때 `unite(0,1)`, `unite(2,3)`, `unite(0,2)`를 수행하면 `{0,1,2,3}`, `{4}`, `{5}`의 세 집합이 됩니다. 같은 크기에서는 첫 인자의 대표 아래로 합치는 원본 구현을 따릅니다. 부모 배열은 `[0,0,0,2,4,5]`입니다. 이어서 `componentSize(3)`을 호출하면 `3 → 2 → 0`을 따라가고, 돌아오면서 `parent[3] = 0`으로 압축합니다. 부모 배열은 `[0,0,0,0,4,5]`로 바뀌지만 집합과 크기 4는 같습니다. **대표 번호는 집합을 식별할 뿐 최솟값이라는 보장이 없습니다.** `unite(1,3)`은 두 대표가 모두 0이어서 `false`입니다. 성공한 병합만 집합 수를 하나 줄입니다. 실험의 `size` 행은 대표에서만 값을 보여 줍니다. 합쳐진 옛 대표의 배열 칸에 숫자가 남아 있어도 현재 집합 크기로 읽지 않습니다. ## 시간 복잡도 경로 압축과 크기 기준 합치기를 함께 쓰면 `find`와 `union`은 매우 빠릅니다. 여러 연산의 총비용을 나눈 상각 시간이 `O(alpha(n))`입니다. 개별 호출의 최악 시간이 상수라는 뜻은 아닙니다. `alpha(n)`은 inverse Ackermann function입니다. 이름은 복잡하지만, 알고리즘 문제에서 등장하는 모든 현실적인 `n`에 대해 거의 5 이하입니다. 그래서 실전에서는 Union-Find 연산을 거의 상수 시간처럼 생각해도 됩니다. ```text n개 원소 초기화: O(n) m번 find/union: O(m alpha(n)) ``` 단, 이 성능은 두 최적화를 같이 쓸 때의 이야기입니다. 경로 압축이나 크기 기준 합치기를 빼면 특정 입력에서 훨씬 느려질 수 있습니다. ## 전체 구현 아래는 0-indexed 원소 `0`부터 `n - 1`까지를 다루는 기본 구현입니다. > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp #include #include using namespace std; struct DSU { vector parent; vector size; DSU(int n) : parent(n), size(n, 1) { for (int i = 0; i < n; ++i) { parent[i] = i; } } int find(int x) { if (parent[x] == x) return x; return parent[x] = find(parent[x]); } bool same(int a, int b) { return find(a) == find(b); } bool unite(int a, int b) { int rootA = find(a); int rootB = find(b); if (rootA == rootB) return false; if (size[rootA] < size[rootB]) { swap(rootA, rootB); } parent[rootB] = rootA; size[rootA] += size[rootB]; return true; } int componentSize(int x) { return size[find(x)]; } }; ``` `unite`가 `bool`을 반환하게 만들면 실제로 두 집합이 합쳐졌는지 알 수 있습니다. 사이클 판정이나 컴포넌트 개수 관리에서 유용합니다. ## 합쳐지지 않은 호출은 세지 않기 처음에는 집합이 `n`개이고 `dsu.unite(a, b)`가 `true`를 반환할 때만 하나 줄어듭니다. `n = 4`에서 `(0, 1)`, `(1, 2)`, `(0, 2)`를 차례로 합치면 마지막 호출은 이미 같은 집합이므로 아무 변화가 없습니다. 결과는 `{0, 1, 2}`, `{3}`의 두 집합입니다. 호출 횟수를 빼면 잘못된 답 1이 나옵니다. 대표는 합치는 과정에서 바뀔 수 있습니다. 집합 크기는 예전에 저장한 대표 대신 `componentSize(x)`로 읽습니다. 기본 Union-Find는 간선을 지워 집합을 다시 나누는 연산을 지원하지 않습니다. ## 실전 연결: 모임으로 나뉜 팀 [모임으로 나뉜 팀](https://h.readiz.com/practice/TEAMSIZE)은 같은 모임에 나온 사람들을 한 팀으로 묶는 문제입니다. 모임 하나가 `{a, b, c, d}`라면 모든 쌍을 합칠 필요는 없습니다. ```cpp unite(a, b); unite(a, c); unite(a, d); ``` 위 세 줄은 병합할 쌍의 순서를 보여 주는 조각입니다. 앞의 구조체를 `DSU dsu(n);`으로 만들었다면 실제 호출은 `dsu.unite(a, b)`처럼 객체를 통해 합니다. 첫 사람을 기준으로 나머지를 합치면 모임 안의 사람들은 모두 같은 집합이 됩니다. 모든 모임을 처리한 뒤에는 대표별 `componentSize`를 한 번씩 모으고, 필요한 순서로 정렬하면 됩니다. 주의할 점은 세 가지입니다. - 빈 모임이면 기준 원소가 없으므로 아무 것도 하지 않습니다. - 한 명짜리 모임은 이미 자기 집합에 있으므로 합칠 필요가 없습니다. - 같은 사람이 모임 안에 여러 번 나와도 `unite(x, x)`는 false를 반환하고 끝나야 합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/connectivity/union-find.cpp) ```sh c++ -std=c++17 -O2 union-find.cpp -o lesson ./lesson < input.txt ``` 다음은 외부 채점기 없이 실행하는 연결 질의 연습입니다. `N Q` 뒤 Q개 연산을 받으며 `1 ≤ N ≤ 200000`, `0 ≤ Q ≤ 200000`, 원소는 `0..N-1`입니다. | 연산 | 의미 | 출력 | | ------- | ----------- | ------------------- | | `U a b` | 두 집합 병합 | 새로 합쳤으면 1, 이미 같으면 0 | | `Q a b` | 같은 집합인가 | 같으면 1, 다르면 0 | | `S a` | a가 속한 집합 크기 | 원소 수 | | `C` | 현재 집합 수 | 성공한 병합만 반영한 개수 | ```text 6 9 U 0 1 U 2 3 U 0 2 S 3 U 1 3 Q 0 3 Q 0 5 C S 5 ``` 출력은 순서대로 다음과 같습니다. ```text 1 1 1 4 0 1 0 3 1 ``` 첫 네 연산과 중복 병합은 실험의 기본 예제와 같습니다. 같은 원소 병합은 항상 0, 혼자인 원소의 크기는 1입니다. `N=1`에서도 그대로 동작합니다. 작은 입력에서 실제 간선을 저장한 뒤 매번 BFS로 연결된 원소를 세어 비교할 수 있습니다. 파일은 원본 `DSU`와 입력 처리를 포함하며, 범위 밖 원소를 거부합니다. 기본 DSU에 간선 삭제를 추가해서 연결 요소가 자동으로 갈라질 것이라 기대하면 안 됩니다. 삭제가 필요하면 별도 알고리즘을 선택해야 합니다. [기존 Disjoint Set 노트](https://www.readiz.com/notes/data-structure/tree/disjointset/)의 과거 코드는 그대로 보존합니다. 그 조각에는 지역 변수 재선언 문제가 있고 크기 기준 병합은 포함되지 않습니다. 이 강의는 경로 압축과 크기 기준 병합을 함께 쓰는 실행 파일을 기준으로 설명합니다. ## 관련 문서 - [Disjoint Set](https://www.readiz.com/notes/data-structure/tree/disjointset/index.md) --- --- id: "lessons/zero-one-bfs" title: "0-1 BFS: 무료 이동과 유료 이동" description: "비용 0과 1인 간선을 deque로 처리하고, 처음 발견한 거리가 바뀌는 과정을 봅니다." kind: "record" published: "2026-10-04T00:00:00.000Z" tags: ["graph","BFS","shortest path"] url: "https://www.readiz.com/records/zero-one-bfs/" markdownUrl: "https://www.readiz.com/records/zero-one-bfs/index.md" recordFolder: "강의/그래프 탐색" folderUrl: "https://www.readiz.com/records/?folder=%EA%B0%95%EC%9D%98%2F%EA%B7%B8%EB%9E%98%ED%94%84+%ED%83%90%EC%83%89" --- # 0-1 BFS: 무료 이동과 유료 이동 [BFS](https://www.readiz.com/records/bfs-dfs-grid/)의 모든 이동 비용이 1이라는 조건을 바꾸어 보겠습니다. 무료 이동이 섞이면 먼저 발견한 경로가 답이 아닐 수 있습니다. [Dijkstra](https://www.readiz.com/records/dijkstra/)로도 풀 수 있지만, 비용이 0과 1뿐이면 deque의 양 끝만으로 거리 순서를 유지할 수 있습니다. 0-1 BFS는 간선 비용이 `0` 또는 `1`인 그래프에서 최단거리를 구하는 알고리즘입니다. 일반 BFS처럼 큐를 쓰지만, 비용이 0인 이동은 앞에 넣고 비용이 1인 이동은 뒤에 넣기 위해 `deque`를 사용합니다. ## 간선 비용이 0 또는 1일 때 일반 BFS는 모든 간선 비용이 1일 때만 최단거리를 보장합니다. 비용이 0인 간선이 섞이면, 한 번 이동했는데 거리 증가가 없을 수 있습니다. ```text u --0--> v 거리 증가 없음 u --1--> w 거리 1 증가 ``` 이때 Dijkstra를 써도 됩니다. 하지만 비용이 0과 1뿐이라면 우선순위 큐 대신 deque만으로 더 간단하게 처리할 수 있습니다. ## deque를 쓰는 이유 ![거리4인 u에서 비용0의 v는 deque 앞에, 비용1의 w는 뒤에 넣어 거리4와5의 순서를 유지합니다.](https://www.readiz.com/assets/lessons/graph-search/zero-one-bfs-structure-trace.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/zero-one-bfs-structure-trace.svg) 괄호는 정점의 거리 후보입니다. 두 이웃의 기존 거리가 더 컸다고 가정하면 비용 0의 v는 현재 거리 층에, 비용 1의 w는 다음 거리 층에 들어갑니다. 현재 정점 `u`에서 이웃 `v`로 가는 비용이 `0`이면 `dist[v]`는 `dist[u]`와 같습니다. 이 정점은 지금 처리 중인 거리 그룹과 같은 우선순위이므로 deque 앞쪽에 넣습니다. 비용이 `1`이면 다음 거리 그룹이므로 뒤쪽에 넣습니다. ```text cost 0: push_front cost 1: push_back ``` 이렇게 하면 deque의 앞쪽에는 항상 현재까지 가장 작은 거리 후보가 옵니다. ## 먼저 발견한 비용 1이 나중에 0이 될 때 ![0에서 1로 직접 가는 비용은 1이지만 0에서 2를 거쳐 1로 가는 비용은 0입니다. 먼저 넣은 후보 뒤에 더 짧은 후보가 생기므로 발견만으로 방문을 확정하지 않습니다.](https://www.readiz.com/assets/lessons/graph-search/zero-one-improvement.svg) [그림 크게 보기](https://www.readiz.com/assets/lessons/graph-search/zero-one-improvement.svg) · [deque와 거리 갱신 실험](https://www.readiz.com/learn/explore/?demo=zero-one) 간선이 `0→1(1)`, `0→2(0)`, `2→1(0)` 순서로 있다면, 0을 꺼낸 뒤 deque는 `[2,1]`입니다. 1은 먼저 발견되었지만 2를 앞에 넣어 먼저 처리합니다. 2에서 1로 가면 `dist[1]`이 1에서 0으로 줄고, 1을 다시 앞에 넣습니다. 일반 BFS처럼 **처음 넣은 순간 이후 갱신을 금지하면 이 예제에서 1을 답으로 남깁니다.** 0-1 BFS는 아직 더 짧은 후보를 허용하고, 새 비용이 엄격하게 작을 때만 넣습니다. 이 조건 때문에 비용 0인 사이클에서도 같은 거리로 무한히 재삽입하지 않습니다. 실험은 아래 로컬 연습과 같은 5개 정점을 사용합니다. deque 칩의 `넣을 때` 거리는 이력 설명용입니다. 원본 코드는 정점 번호만 저장하며, 꺼낸 뒤에는 \*\*최신 `dist[u]`\*\*를 읽습니다. 이미 개선된 정점의 옛 항목을 다시 꺼내도 이웃을 검사하되, 더 짧아지지 않으면 넣지 않습니다. Dijkstra 실습의 ‘낡은 항목 즉시 건너뛰기’와 처리 방식이 다릅니다. ## 기본 구현 > **코드 환경: 일반 C++17 학습용.** 헤더·STL을 허용하는 로컬 예제입니다. h-contest 제출에 옮길 때는 [공통 코드](https://h.readiz.com/learn/cpp-common-library)와 문제의 공개 API에 맞춰 필요한 부분을 바꿉니다. ```cpp struct Edge { int to; int cost; // 0 or 1 }; vector zeroOneBfs(const vector>& graph, int start) { const int INF = 1e9; int n = (int)graph.size(); vector dist(n, INF); deque dq; dist[start] = 0; dq.push_back(start); while (!dq.empty()) { int u = dq.front(); dq.pop_front(); for (const Edge& e : graph[u]) { int nd = dist[u] + e.cost; if (nd >= dist[e.to]) continue; dist[e.to] = nd; if (e.cost == 0) dq.push_front(e.to); else dq.push_back(e.to); } } return dist; } ``` 일반 BFS처럼 처음 발견한 순간 방문을 확정하지 않습니다. 더 짧은 0비용 경로가 나중에 발견될 수 있어 같은 정점이 deque에 여러 번 들어갈 수 있습니다. deque에 넣은 거리 후보는 두 인접 거리 층으로 정렬됩니다. 한 정점은 같은 층의 0비용 경로로 한 번 더 개선될 수 있지만 반복 개선이 누적되지는 않아 전체 복잡도는 `O(V + E)`입니다. ## 격자 상태 그래프 예시 방향을 바꾸는 비용이 1이고, 같은 방향으로 가는 비용이 0인 격자 문제를 생각해 봅시다. 상태는 `(r, c, dir)`이고, 이동 비용은 방향이 바뀌는지에 따라 정합니다. 이런 문제는 단순 칸 방문 배열로는 부족합니다. 같은 칸이라도 어떤 방향으로 들어왔는지에 따라 다음 비용이 달라지므로 방향까지 상태에 포함해야 합니다. ## 어떤 큐를 선택할까 | 간선 비용 | 사용할 도구 | 갱신 기준 | | -------- | -------------- | ---------------------- | | 모두 1 | BFS의 일반 큐 | 처음 발견한 거리가 최단거리 | | 0 또는 1 | 0-1 BFS의 deque | 더 짧으면 앞 또는 뒤에 재삽입 | | 일반적인 비음수 | Dijkstra의 최소 힙 | 더 짧은 후보를 넣고 오래된 후보는 제외 | 비용 2인 간선을 ‘양수이므로 뒤에 넣기’로 처리하면 두 거리 층이라는 근거가 깨집니다. 아래 실행 파일은 비용 0과 1만 받습니다. 0-1 BFS를 간선 수가 가장 적은 경로를 구하는 BFS로 해석해서도 안 됩니다. 무료 간선을 더 많이 거치는 길이 더 쌀 수 있습니다. ## 시간 복잡도 | 작업 | 시간 | | ----------- | ---------- | | 초기화 | `O(V)` | | 간선 relax 전체 | `O(E)` | | deque 삽입/삭제 | `O(V + E)` | | 전체 | `O(V + E)` | | 메모리 | `O(V + E)` | ## 로컬 연습: 무료 간선과 유료 간선 방향 그래프에서 시작점부터 모든 정점까지의 최소 비용을 구하세요. 간선 비용은 0 또는 1입니다. **입력:** N M S 뒤 M줄의 u v w. 1 <= N <= 200000, 0 <= M <= 400000, 정점은 0-based입니다. 중복 간선과 self-loop를 허용합니다. **출력:** 정점 번호순 최소 비용을 한 줄에 출력하고 도달 불가 정점은 -1로 표시합니다. ### 예시 ```text exercise=zero-one-bfs role=input 5 6 0 0 1 1 0 2 0 2 1 0 1 3 1 2 3 1 3 2 0 ``` ```text exercise=zero-one-bfs role=output 0 0 0 1 -1 ``` **확인 방법:** 0→2→1은 비용 0입니다. 작은 입력은 Dijkstra와 비교합니다. 비용 0의 cycle, 더 비싼 경로로 먼저 발견되는 정점, 고립 정점을 검사합니다. 최초 발견만으로 거리를 확정하지 말고 더 짧아질 때 갱신합니다. ## 완성 파일로 실행하고 확인하기 [C++17 전체 예제 내려받기](https://www.readiz.com/assets/lessons/graph-search/zero-one-bfs.cpp) ```sh c++ -std=c++17 -O2 zero-one-bfs.cpp -o lesson ./lesson < input.txt ``` 본문의 `zeroOneBfs` 함수와 헤더, 입력 처리, `main`을 모두 포함합니다. 위의 `N M S` 연습 입력을 넣으면 `0 0 0 1 -1`을 출력합니다. 방향 간선이며, 무방향 문제라면 간선을 양쪽에 넣습니다. `1 ≤ N ≤ 200000`, `0 ≤ M ≤ 400000`, 정점은 `0..N-1`, 비용은 0 또는 1입니다. 잘못된 정점 번호와 비용 2 같은 입력은 거부합니다. 내부 미도달 값은 `INF`지만 출력에서는 -1로 바꿉니다. 정점 하나에 간선이 없고 시작점이 0이면 출력은 0입니다. 원본처럼 deque에는 정점 번호만 저장합니다. 같은 정점이 다시 들어갈 수 있으므로 ‘visited 배열로 한 번만 넣기’를 추가하지 마세요. 완성된 거리는 작은 그래프의 Floyd-Warshall 또는 [Dijkstra](https://www.readiz.com/records/dijkstra/)와 비교할 수 있습니다. 무료 사이클, 평행 간선, self-loop, 도달 불가를 포함해 검사합니다. --- --- id: "imported/ps/data-structure/special/pbds-hash" title: "PBDS Hash" description: "PBDS Hash에 관한 간단한 정리." kind: "record" published: "2024-08-18T00:00:00.000Z" tags: ["PBDS","hash","data structure"] url: "https://www.readiz.com/notes/data-structure/special/pbds-hash/" markdownUrl: "https://www.readiz.com/notes/data-structure/special/pbds-hash/index.md" recordFolder: "자료구조/특수 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B9%EC%88%98+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # PBDS Hash `PBDS Hash`에 관한 간단한 정리. - gnu official design manual: - 관련 Codeforces 글: ## PBDS Hash? PBDS는 Policy based data structures의 약자로, `g++`에서 `ext/pb_ds` 아래에 위치하는 데이터 구조를 칭한다. 위 코드포스 블로그 글을 참조하면, 일반적인 `unordered_map` 보다 훨씬 빠른 속도로 동작한다고 한다. PBDS에서 사용가능한 것은 `gp_hash_table` 과 `cc_hash_table` 인데, `gp_hash_table`은 `Open Addressing` 방식이고, `cc_hash_table`은 `Chaining` 방식이다. 일반적으로 속도를 높히기 위해서 PBDS를 가지고 오는 것이므로 성능 향상을 목적으로는 `gp_hash_table`을 사용하는 것이 맞겠다. ![원문에 첨부된 이미지](https://www.readiz.com/assets/2024-08-18-22-11-20.png) ### 사용 방법 헤더를 넣고, 일반 `unordered_map` 처럼 사용하면 된다. 끝. `atcoder` 에 샘플로 제출한 솔루션은 아래와 같다. - AtCoder ABC367 F번 솔루션에 사용: ```cpp #include using namespace __gnu_pbds; const int HW_RANDOM = chrono::high_resolution_clock::now().time_since_epoch().count(); struct chash { int operator()(int x) const { return x ^ HW_RANDOM; } }; gp_hash_table Table; ``` 여기서 `chash` 는 해시 저격 방지용이다. 간단하게 저격 생각하지 않고 그냥 쓸거면 아래처럼도 가능하다. ```cpp #include using namespace __gnu_pbds; gp_hash_table Table; ``` 사용은 STL과 거의 같으므로, 편하게 사용할 수 있다. --- --- id: "imported/blog/history/ex/ahc-35" title: "AHC 35" description: "오랜만에 참가한 AHC. 제목은 Breed Improvement." kind: "record" published: "2024-07-21T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/ex/ahc-35/" markdownUrl: "https://www.readiz.com/blog/history/ex/ahc-35/index.md" recordFolder: "풀이 기록/기타 풀이" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B8%B0%ED%83%80+%ED%92%80%EC%9D%B4" --- # AHC 35 오랜만에 참가한 AHC. 제목은 `Breed Improvement`. - 문제 링크: - 해설(YouTube, 일본어): # 문제 분석 4시간 짜리인만큼, 입력은 단순했다. N = 6 / M = 15 / T = 10 고정. N은 밭은 크기, M은 `Feature`의 크기, T는 `Turn`의 수이다. 이렇게 밭에 심은 농작물(?) 들은 좌우상하 인접한 녀석들과 교배되어, 수확된다. 다음 턴이 $N^2$개만을 선별하여 다시 심는 것을 반복하여 최대한 `Feature`를 개선하는 것이 목표. ## 문제 풀이 우선 외곽과 주변을 다르게 처리해야한다. 주변에는 영향을 미치는 cell이 2, 3개인 반면, 중앙부분은 4개이기 때문. `Breeding`이 많이 되길 원한다면, 중앙에 둬야한다. 나는 스코어를 부여하는 방식을 통해서 개선을 많이 이루어냈는데, 우선 전체 `Feature`의 합을 스코어로 썼을 때 210M 정도의 스코어가 나왔다. 이를 이렇게만 했을 때에는 효율적이지 않은 것을 직관적으로 알 수 있다. 전체 스코어의 합을 사용하는 것은 후반부에는 유효하겠지만, 초반부에는 오히려 `Feature`를 다양화할 필요가 있다. 이를 위해서는 제곱, 세제곱을 취하면 다양화를 수식적으로 할 수 있게 된다. 최종적으로는 아래와 같이, `Turn 0`에서 3제곱, `Turn 9`에서 1제곱 하도록 수식을 조정하여, 250M을 달성했다. ```cpp double coeff = -0.25 * CurTurn + 3; FOR(i,0,C) { double s = 0; FOR(j,0,M) { Get(i,j); s += pow(Seed[i].M[j], coeff); } Seed[i].score = s; } ``` 이후에는 너무 1개의 `Feature`에 대해서만 반영하는 case를 제외하기 위해, 특정 `Feature`를 max로 갖는 녀석이 2개를 초과하게 되면, 다른 녀석으로 대체하도록 수식을 대체하여 약간 개선하는 선에서 마무리 했다. 주석처리한 `Random Swap`, `SA` 전략은 이 문제에서는 크게 효과를 보지 못했다. ## 팁 아래와 같은 Bash 스크립트로, 편하게 전체 TC를 로컬에서 돌려볼 수 있었다. ```bash # #!/bin/bash g++ -O2 sol.cpp -o max ans=0 for num in $(seq -w 0000 0299); do ./max < ./in/$num.txt > ./out/$num.txt line=$(tail -n 1 ./out/$num.txt) > /dev/null line="${line:1}" ans=$(($ans+$line)) echo "$num: $line" done echo "Overall Score: $ans" ``` ## 전체 코드 ```cpp #include using namespace std; #ifndef ONLINE_JUDGE #define _D(...) printf(__VA_ARGS__) bool isDebug = true; #else #define _D(...) bool isDebug = false; #endif #define FOR(i,a,b) for(int i=(a);i<(b);++i) int N, M, T; int CurTurn; int C; struct Seed_t { int M[15]; double score; bool used; } Seed[1000]; int Order[1000]; void sort(int s, int e) { if (s >= e) return; int l = s, r = e, m = (s+e)>>1; double pivot = Seed[Order[m]].score; while(l < r) { while(Seed[Order[l]].score > pivot) ++l; while(pivot > Seed[Order[r]].score) --r; if (l > r) break; swap(Order[l], Order[r]); ++l; --r; } sort(s, r); sort(l, e); } int Plant[6][6]; Seed_t Nxt_Seed[1000]; bool isFirst = true; void Get(int i, int j) { if (isDebug && !isFirst) { Seed[i].M[j] = Nxt_Seed[i].M[j]; return; } scanf("%d", &Seed[i].M[j]); } int gidx; void Generate() { gidx = 0; // 좌우 char buf[20]; FOR(i,0,N) FOR(j,0,N-1) { scanf("%s", buf); _D("#"); FOR(k,0,M) { if (buf[k] == '0') { Nxt_Seed[gidx].M[k] = Seed[Plant[i][j]].M[k]; } else { Nxt_Seed[gidx].M[k] = Seed[Plant[i][j+1]].M[k]; } _D("%d ", Nxt_Seed[gidx].M[k]); } ++gidx; _D("\n"); } // 상하 FOR(i,0,N-1) FOR(j,0,N) { scanf("%s", buf); _D("#"); FOR(k,0,M) { if (buf[k] == '0') { Nxt_Seed[gidx].M[k] = Seed[Plant[i][j]].M[k]; } else { Nxt_Seed[gidx].M[k] = Seed[Plant[i+1][j]].M[k]; } _D("%d ", Nxt_Seed[gidx].M[k]); } ++gidx; _D("\n"); } } int BaseScore; void GetBaseScore() { BaseScore = 0; FOR(k,0,M) { int maxval = 0; FOR(i,0,C) { if (Seed[i].M[k] > maxval) maxval = Seed[i].M[k]; } BaseScore += maxval; } } void In() { if (!isFirst && isDebug) Generate(); double coeff = -0.25 * CurTurn + 3; FOR(i,0,C) { double s = 0; FOR(j,0,M) { Get(i,j); s += pow(Seed[i].M[j], coeff); } Seed[i].score = s; } if (isFirst) { GetBaseScore(); isFirst = false; } }; int dr[4] = {-1, 0, 1, 0}; int dc[4] = {0, -1, 0, 1}; double GetSingleScore(int r, int c) { double ret = 0; // double coeff = -0.25 * CurTurn + 3; FOR(p,0,4) { int tr = r + dr[p]; int tc = c + dc[p]; double cur = 0; FOR(k,0,M) { // ret += pow(double(Seed[Plant[tr][tc]].M[k] + Seed[Plant[r][c]].M[k]) / 2, coeff); cur += pow(abs(Seed[Plant[tr][tc]].M[k] - Seed[Plant[r][c]].M[k]), 2); } ret += cur; } return ret; } struct Coord_t { int r, c; } Coord[1000]; Coord_t Center; int COrder[1000]; int CKey[1000]; void csort(int s, int e) { if (s >= e) return; int l = s, r = e, m = (s+e)>>1; int pivot = CKey[COrder[m]]; while(l < r) { while(CKey[COrder[l]] < pivot) ++l; while(pivot < CKey[COrder[r]]) --r; if (l > r) break; swap(COrder[l], COrder[r]); ++l; --r; } csort(s, r); csort(l, e); } int seed = 5; unsigned int prand() { seed = 214013 * seed + 2531011; return (seed >> 16) & 0x7FF; } void Out() { FOR(i,0,C) Order[i] = i, Seed[i].used = false; sort(0,C - 1); if (CurTurn == 0) { // Max는 2개까지만 선택 int didx = N*N; int cnt[15] = {0, }; FOR(i,0,C) { if (didx >= C) break; int maxVal = 0, maxIdx = -1; FOR(k,0,M) { if (maxVal < Seed[Order[i]].M[k]) { maxVal = Seed[Order[i]].M[k]; maxIdx = k; } } if (cnt[maxIdx] >= 2) { swap(Order[i], Order[didx++]); } else { cnt[maxIdx]++; } } } int idx = 0; FOR(z,0,N*N) { int i = COrder[z]; Seed[Order[idx]].used = true; Plant[Coord[i].r][Coord[i].c] = Order[idx++]; } // 랜덤스왑 시작 // if (CurTurn == 1) { // int swapcnt = 0; // FOR(r,0,10'000) { // int ar = (prand() % (N - 1)) + 1; // int ac = (prand() % (N - 1)) + 1; // int br = (prand() % (N - 1)) + 1; // int bc = (prand() % (N - 1)) + 1; // if (ar == br && ac == bc) continue; // double before = GetSingleScore(ar, ac) + GetSingleScore(br, bc); // swap(Plant[ar][ac], Plant[br][bc]); // double after = GetSingleScore(ar, ac) + GetSingleScore(br, bc); // if (before < after) { // // swap! // // _D("#before: %lf / after: %lf\n", before, after); // ++swapcnt; // } else { // // no! // swap(Plant[ar][ac], Plant[br][bc]); // } // } // // 랜덤스왑 끝 // _D("#swap: %d\n", swapcnt); // } FOR(i,0,N) { FOR(j,0,N) { printf("%d ", Plant[i][j]); } printf("\n"); } fflush(stdout); } void GetScore() { int maxval = 0; FOR(i,0,C) { int curScore = 0; FOR(k,0,M) { curScore += Seed[i].M[k]; } if (curScore > maxval) maxval = curScore; } _D("#Base: %d\n", BaseScore); _D("#Max: %d\n", maxval); _D("#%.0lf\n", round((double)maxval * 1'000'000 / BaseScore)); } int main() { isFirst = true; scanf("%d %d %d", &N, &M, &T); C = 2 * N * (N - 1); // 60 Center = {N / 2, N / 2}; FOR(i,0,N) FOR(j,0,N) { COrder[i*N+j] = i*N+j; CKey[i*N+j] = abs(i - Center.r) + abs(j - Center.c); Coord[i*N+j] = {i, j}; } csort(0,N*N-1); FOR(i,0,N*N) { _D("#[%d] %d, %d\n", i, Coord[COrder[i]].r, Coord[COrder[i]].c); } FOR(i,0,T) { _D("#Turn %d\n", i); CurTurn = i; In(); Out(); GetScore(); } In(); // We can use it to evalute score GetScore(); return 0; } ``` --- --- id: "imported/ps/algorithm/heuristics/hilbertcurve" title: "Hilbert Curve" description: "Hilbert Curve는 정수좌표계에서 사용가능한 일종의 Space-Filling Curve 이다. 1차원 좌표계에서 어떤 좌표 리스트가 있어서 그들을 최단 경로로 방문해야 한다고 한다면 이를 구하는 것은 간단하다. 위치를 정렬해서 오름차순이나 내림차순으로 방문하면 된다. 2차원 좌표" kind: "record" published: "2024-03-19T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/heuristics/hilbertcurve/" markdownUrl: "https://www.readiz.com/notes/algorithm/heuristics/hilbertcurve/index.md" recordFolder: "알고리즘/휴리스틱" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1" --- # Hilbert Curve ## Hilbert Curve - Wikipedia: - Codeforces blog: - Hilbert MO 소개: `Hilbert Curve`는 정수좌표계에서 사용가능한 일종의 `Space-Filling Curve` 이다. 1차원 좌표계에서 어떤 좌표 리스트가 있어서 그들을 최단 경로로 방문해야 한다고 한다면 이를 구하는 것은 간단하다. 위치를 정렬해서 오름차순이나 내림차순으로 방문하면 된다. 2차원 좌표계가 되면 이야기가 많이 복잡해진다. 이를 `Hilbert Curve` 를 사용해서 1차원 좌표계처럼 2차원 좌표계를 `projection` 할 수 있고, 휴리스틱하게 어느정도 가까운 점들끼리 방문할 수 있게 된다. ![원문에 첨부된 이미지](https://www.readiz.com/assets/hilbertcurve.png) 아래 코드는 서두의 codeforces blog에서 공유된 코드로, 임의의 $x$, $y$ 좌표가 주어졌을 때의 Hilbert Curve 상의 순서를 $O(\log N)$ 시간 복잡도로 구할 수 있다. ```cpp constexpr int rotateDelta[4] = {3, 0, 0, 1}; inline int64_t hilbertOrder(int x, int y, int pow, int rotate) { if (pow == 0) { return 0; } int hpow = 1 << (pow-1); int seg = (x < hpow) ? ( (y < hpow) ? 0 : 3 ) : ( (y < hpow) ? 1 : 2 ); seg = (seg + rotate) & 3; int nx = x & (x ^ hpow), ny = y & (y ^ hpow); int nrot = (rotate + rotateDelta[seg]) & 3; int64_t subSquareSize = int64_t(1) << (2*pow - 2); int64_t ans = seg * subSquareSize; int64_t add = hilbertOrder(nx, ny, pow-1, nrot); ans += (seg == 1 || seg == 2) ? add : (subSquareSize - add - 1); return ans; } ``` ### 활용 #### Mo's 알고리즘의 정렬 순서로 활용하기 `Mo's` 알고리즘의 경우 쿼리 문제에서 쿼리의 $l$, $r$ 기준으로 정렬해서 동작하는 알고리즘이다. 이에 관해서는 글 서두에 있는 블로그에 잘 정리되어 있다. $N$과 $Q$가 거의 유사한 문제에서는 `Mo's` 알고리즘에 `zigzag` 아이디어를 섞은 것과 `Hilbert Curve`를 활용한 방식이 거의 유사한 성능을 보인다. `수열과 쿼리 0` 문제에서 측정한 속도는 아래와 같다. - 일반 `Mo's`: 1070 ms - `Mo's` + `zigzag`: 680 ms - `Mo's` + `Hilbert`: 660 ms #### Heuristics 문제에 활용하기 성능을 요하는 `TSP` 문제에서 활용 가능하다. 임의의 좌표를 비용을 최소로 해서 방문해야 할때, 위에서 살펴본 것처럼 2차원 좌표계를 1차원 좌표계인 것처럼 순서를 정해서 방문할 수 있다. 대충 `int map[1000][1000]` 정도까지는 미리 순서를 저장해두고 $O(1)$에 구하는 것이 좋은 방식으로 보인다. 이전에 다뤘던 `Angle Sort`와의 성능 비교도 이후에 진행해봐야겠다. ```cpp // [TODO] 2차원 공간에 Hilbert Curve 방문 순서를 채우는 코드 ``` --- --- id: "imported/ps/algorithm/heuristics/anglesort" title: "Angle Sort" description: "2D 좌표계에서 외판원 문제를 생각해보자. 정점 P_1, P_2, ..., P_N을 임의의 순서로 전부 순회하고 다시 출발한 정점으로 돌아온다고 할 때, 해당 경로의 휴리스틱적인 최단거리는 어떻게 될 것인가?" kind: "record" published: "2024-03-05T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/heuristics/anglesort/" markdownUrl: "https://www.readiz.com/notes/algorithm/heuristics/anglesort/index.md" recordFolder: "알고리즘/휴리스틱" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1" --- # Angle Sort ## Angle Sort 2D 좌표계에서 외판원 문제를 생각해보자. 정점 $P_1$, $P_2$, ..., $P_N$을 임의의 순서로 전부 순회하고 다시 출발한 정점으로 돌아온다고 할 때, 해당 경로의 휴리스틱적인 최단거리는 어떻게 될 것인가? 휴리스틱적으로는 이렇게 생각할 수 있다. 모든 좌표의 평균을 내서 가상의 점 $P_0$가 있다고 해보자. 그러면 주변의 점들은 이 가상의 점을 둘러싼 원의 형태를 가지게 된 것으로 생각할 수 있다. 그러면 이 좌표들을 원을 그리듯 순회하는 방법이 최단거리는 아니더라도 어느 정도 휴리스틱적 정답에 유효하다고 추측해볼 수 있다. 이를 구체적으로 구현하기 위해서는 각도 정렬이 필요하다. 평균점 $P_0$ 부터의 각 점의 $x$, $y$ 좌표의 거리 차이를 $dx$, $dy$라 하자. 그러면, 임의의 점과 $x$축이 이루는 각도를 $\theta$라 할때, $\sin$함수의 정의에 의해, $\sin^2 \theta$는 아래와 같이 구할 수 있다. - $\displaystyle \sin^2 \theta = \frac {dy^2} {dr^2} = \frac {dy^2} {(dx^2 + dy^2)}$ 또한 이 함수값의 범위는 $\sin$함수 정의에 따라 아래 범위로 bound 된다. - $0 \leq \sin^2 \theta \leq 1$ 이 성질을 활용하면, x축으로부터 시계 반대방향으로 돌아가는 순서로 좌표를 정렬되게 하려면, 아래처럼 분기시킬 수 있다. - 1사분면: $dx > 0$, $dy > 0$ - $\sin^2 \theta$ 사용 - 2사분면: $dx < 0$, $dy > 0$ - $2 - \sin^2 \theta$ 사용 - 3사분면: $dx < 0$, $dy < 0$ - $2 + \sin^2 \theta$ 사용 - 4사분면: $dx > 0$, $dy < 0$ - $4 - \sin^2 \theta$ 사용 이는 $\sin$ 함수의 개형과, 그 최대 / 최소값을 생각해보면 명백하다. 축에 있는 좌표는 그 어떤 쪽을 선택해도 값이 같다. 이로서 우리는, 그 어떤 `math` library를 쓰지 않고도, 각도로 좌표들을 정렬했다. 예시 동작코드는 아래와 같이 간단히 작성해보았다. ```cpp struct Point { int x, y; }; double getKey(Point& a) { int ret = 0; int x = a.x, y = a.y; if (x == 0 && y == 0) return 0; double sin2 = 1.0 * y * y / (x * x + y * y); if (x >= 0 && y > 0) { return sin2; } else if (x < 0 && y >= 0) { return 2 - sin2; } else if (x <= 0 && y < 0) { return 2 + sin2; } else { return 4 - sin2; } return ret; } void test() { vector v; v.push_back({ 3, 1 }); v.push_back({ 1, 2 }); v.push_back({ 0, 4 }); v.push_back({ -1, 3 }); v.push_back({ -5, 2 }); v.push_back({ -6, 0 }); v.push_back({ -1, -1 }); v.push_back({ 0, -3 }); v.push_back({ 2, -3 }); v.push_back({ 5, -1 }); v.push_back({ 1, 0 }); random_shuffle(v.begin(), v.end()); // 랜덤으로 섞어서 위 순서로 복구되는지 보자 sort(v.begin(), v.end(), [&](Point& a, Point& b) { return getKey(a) < getKey(b); }); for (auto& p : v) { printf("%d, %d\n", p.x, p.y); } } ``` `vector`에 넣고 있는 순서대로 출력이 나오면 정상적으로 정렬된 것이다. 만약 각도와 스칼라의 크기가 적절히 배분되면서 정렬되기를 원한다면, 그 또한 key값을 조절하면 가능하다. --- --- id: "imported/ps/algorithm/graph/dense-bfs" title: "Dense BFS" description: "inwooleeme 님이 알려준 밀집 그래프에서의 그래프 최단 거리를 구하는 방법. 관련 문제를 풀면서 확인해보자." kind: "record" published: "2024-02-29T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/dense-bfs/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/dense-bfs/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Dense BFS ## Dense BFS `inwooleeme` 님이 알려준 밀집 그래프에서의 그래프 최단 거리를 구하는 방법. 관련 문제를 풀면서 확인해보자. - Intercity 문제: 아래 블로그 글도 많이 참고 되었다. - 카레라이스가 먹고싶은 casterian 님 블로그: ### 일반 순회 모든 간선의 길이가 동일하므로, queue를 써서 풀어보자. 초기에 시작 정점을 집어넣고, 연결된 edge를 순회하는 지극히 평범한 bfs 이다. 시간복잡도는 $O(V + E)$이고, 밀집 그래프에서는 $E = V(V-1)$이므로 $O(V^2)$에 가깝게 된다. ```cpp vector vis; vis.resize(N, false); queue> q; // 간선 길이가 같으므로 pq 쓰는거나 q 쓰는거나 똑같다. q.push({0, 0}); // vertex, dist ll ans1 = INF; while(q.size()) { auto cur = q.front(); q.pop(); if (cur.first == N - 1) { ans1 = (ll)cur.second * A; break; } vis[cur.first] = true; for(auto& nxt: e[cur.first]) { if (vis[nxt]) continue; q.push({nxt, cur.second + 1}); } } ``` ### 밀집 순회 이 부분이 다루고자 하는 부분인데, 밀집 그래프의 경우 직관적으로 연결된 정점을 queue에 계속 넣는 것을 반복하게 될 경우에는 같은 정점이 반복해서 계속 들어가게 될 것이다. 만약 `SPFA`와 같은 알고리즘을 활용하고자 하더라도, 정점이 빠진 순간에 높은 확률로 다시 queue에 들어가게 되므로 수행시간은 줄어들더라도 전체적인 시간복잡도는 크게 줄어들기 어렵다. 따라서 아래와 같은 방식처럼 `unvisited` set을 하나 만들어두고, `unvisited`의 정점을 하나씩 빼면서 queue에 넣는 방식이 유효하다. 물론 `dense` 하다고 하더라도, 모든 정점이 연결되었다는 이야기는 아니므로, 이분 탐색을 활용해서 실제로 이어진 정점인지 확인해야 한다. 이분 탐색을 한 번 사용하는데에 $O(\log V)$의 시복도가 걸리고, $M$을 완전 그래프에서 빠진 간선의 수(dense graph에서는 작은 수일 것이다)로 정의하면 이 만큼 이분 탐색이 반복되므로 $O(M \log V)$의 시간이 걸린다. 그리고, 다른 관점에서 모든 정점이 `unvisited`로부터 한번씩 빠지게 되므로, $O(V \log V)$의 시복도가 걸린다. 이를 종합하면, 전체적인 시간복잡도는 $O((M + V) \log V)$이다. 일반적인 BFS 시복도인 $O(V + E) = O(V^2)$에 비해 많은 개선이 있다고 하겠다. ```cpp set unvis; FOR(i,1,N) unvis.insert(i); q = {}; q.push({0, 0}); // vertex, dist ll ans2 = INF; while(q.size()) { auto cur = q.front(); q.pop(); if (cur.first == N - 1) { // 여기까진 같음 ans2 = (ll)cur.second * B; break; } // cur에 이어진 간선을 보는 대신에, unvis 중에서 하나를 본다. (dense 하므로 대부분의 경우 경로가 있다) for(auto it = unvis.begin(); it != unvis.end(); ) { int nxt = *it; if (e[cur.first].find(nxt) == e[cur.first].end()) { // 아직 방문 안한 정점이다. q.push({nxt, cur.second + 1}); it = unvis.erase(it); } else { ++it; } } } ``` ## Time Complexity - $O((M + V) \log V)$ - $M$은 완전 그래프($E = V(V-1)$)에서 빠진 간선의 수이다. --- --- id: "imported/ps/algorithm/dp/berlekamp" title: "Berlekamp Massey" description: "Berlekamp Massey 관련 기록." kind: "record" published: "2024-02-06T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/dp/berlekamp/" markdownUrl: "https://www.readiz.com/notes/algorithm/dp/berlekamp/index.md" recordFolder: "알고리즘/동적 계획법" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EB%8F%99%EC%A0%81+%EA%B3%84%ED%9A%8D%EB%B2%95" --- # Berlekamp Massey ## Berlekamp Massey - InwooLeeme 님의 코드 Copy (구사과님 코드 베이스) - 원링크: - 구사과님 글: - 시간복잡도 - berlekamp_massey: $O(N^2)$ (N개의 DP 결과값이 주어졌을 때) - 정확히는, 답이 되는 점화식의 크기가 $k$ 일 때, $O(nk + n \log MOD)$ ```cpp const int MOD = 1e9 + 7; // 소수여야 함 int ipow(int x, int p){ int ret = 1, piv = x; while(p){ if(p & 1) ret = ret * piv % MOD; piv = piv * piv % MOD; p >>= 1; } return ret; } vector berlekamp_massey(vector x) { vector ls, cur; int lf, ld; for (int i = 0; i < x.size(); i++) { ll t = 0; for (int j = 0; j < cur.size(); j++) { t = (t + 1ll * x[i - j - 1] * cur[j]) % MOD; } if ((t - x[i]) % MOD == 0) continue; if (cur.empty()) { cur.resize(i + 1); lf = i; ld = (t - x[i]) % MOD; continue; } ll k = -(x[i] - t) * ipow(ld, MOD - 2) % MOD; vector c(i - lf - 1); c.push_back(k); for (auto& j : ls) c.push_back(-j * k % MOD); if (c.size() < cur.size()) c.resize(cur.size()); for (int j = 0; j < cur.size(); j++) { c[j] = (c[j] + cur[j]) % MOD; } if (i - lf + (int)ls.size() >= (int)cur.size()) { tie(ls, lf, ld) = make_tuple(cur, i, (t - x[i]) % MOD); } cur = c; } for (auto& i : cur) i = (i % MOD + MOD) % MOD; return cur; } int get_nth(vector rec, vector dp, ll n) { int m = rec.size(); vector s(m), t(m); s[0] = 1; if (m != 1) t[1] = 1; else t[0] = rec[0]; auto mul = [&rec](vector v, vector w) { int m = v.size(); vector t(2 * m); for (int j = 0; j < m; j++) { for (int k = 0; k < m; k++) { t[j + k] += 1ll * v[j] * w[k] % MOD; if (t[j + k] >= MOD) t[j + k] -= MOD; } } for (int j = 2 * m - 1; j >= m; j--) { for (int k = 1; k <= m; k++) { t[j - k] += 1ll * t[j] * rec[k - 1] % MOD; if (t[j - k] >= MOD) t[j - k] -= MOD; } } t.resize(m); return t; }; while (n) { if (n & 1) s = mul(s, t); t = mul(t, t); n >>= 1; } ll ret = 0; for (int i = 0; i < m; i++) ret += 1ll * s[i] * dp[i] % MOD; return ret % MOD; } int guess_nth_term(vector x, ll n) { if (n < x.size()) return x[n]; vector v = berlekamp_massey(x); if (v.empty()) return 0; return get_nth(v, x, n); } ``` - `long long` 범위의 결과가 필요할 때는 아래 코드 사용 ```cpp const ll MOD = 1'000'000'000'000'000'009LL; // 소수여야 함 ll ipow(ll x, ll p){ ll ret = 1, piv = x; while(p){ if(p & 1) ret = ret * piv % MOD; piv = piv * piv % MOD; p >>= 1; } return ret; } vector berlekamp_massey(vector x) { vector ls, cur; ll lf, ld; for (int i = 0; i < x.size(); i++) { ll t = 0; for (int j = 0; j < cur.size(); j++) { t = (t + 1ll * x[i - j - 1] * cur[j]) % MOD; } if ((t - x[i]) % MOD == 0) continue; if (cur.empty()) { cur.resize(i + 1); lf = i; ld = (t - x[i]) % MOD; continue; } ll k = -(x[i] - t) * ipow(ld, MOD - 2) % MOD; vector c(i - lf - 1); c.push_back(k); for (auto& j : ls) c.push_back(-j * k % MOD); if (c.size() < cur.size()) c.resize(cur.size()); for (int j = 0; j < cur.size(); j++) { c[j] = (c[j] + cur[j]) % MOD; } if (i - lf + (int)ls.size() >= (int)cur.size()) { tie(ls, lf, ld) = make_tuple(cur, i, (t - x[i]) % MOD); } cur = c; } for (auto& i : cur) i = (i % MOD + MOD) % MOD; return cur; } ll get_nth(vector rec, vector dp, ll n) { int m = rec.size(); vector s(m), t(m); s[0] = 1; if (m != 1) t[1] = 1; else t[0] = rec[0]; auto mul = [&rec](vector v, vector w) { int m = v.size(); vector t(2 * m); for (int j = 0; j < m; j++) { for (int k = 0; k < m; k++) { t[j + k] += 1ll * v[j] * w[k] % MOD; if (t[j + k] >= MOD) t[j + k] -= MOD; } } for (int j = 2 * m - 1; j >= m; j--) { for (int k = 1; k <= m; k++) { t[j - k] += 1ll * t[j] * rec[k - 1] % MOD; if (t[j - k] >= MOD) t[j - k] -= MOD; } } t.resize(m); return t; }; while (n) { if (n & 1) s = mul(s, t); t = mul(t, t); n >>= 1; } ll ret = 0; for (int i = 0; i < m; i++) ret += 1ll * s[i] * dp[i] % MOD; return ret % MOD; } ll guess_nth_term(vector x, ll n) { if (n < x.size()) return x[n]; vector v = berlekamp_massey(x); if (v.empty()) return 0; return get_nth(v, x, n); } ``` --- --- id: "imported/blog/history/at/abc-335" title: "AtCoder Beginner Contest 335" description: "무난한 4솔브. E도 할만 했는데, 최종적으로 맞왜틀. 17분까지 D 풀이를 완료한 후, 삽질만 엄청 했다. 그래프 문제 좀 다양하게 더 풀어봐야겠다." kind: "record" published: "2024-01-06T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-335/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-335/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 335 # ABC 335 Upsolving - 대회 참가 유무: Y - 최종 Performance: 1441 (Rank: 1199 / 13016) - Round 링크: [Top](https://atcoder.jp/contests/abc335) / [Tasks](https://atcoder.jp/contests/abc335/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | - | - | - | 무난한 4솔브. `E`도 할만 했는데, 최종적으로 맞왜틀. 17분까지 `D` 풀이를 완료한 후, 삽질만 엄청 했다. 그래프 문제 좀 다양하게 더 풀어봐야겠다. ## A - 202~~3~~ - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V Do you know how to `input` & `output`? ## B - Tetrahedral Number - 문제 링크: - Score: 150점 - 문제 예상 티어: Bronze II $O(N^3)$ 루프 문제. ## C - Loong Tracking - 문제 링크: - Score: 300점 - 문제 예상 티어: Silver III Do you know `deque`? ## D - Loong and Takahashi - 문제 링크: - Score: 350점 - 문제 예상 티어: Silver I `애드 훅` 문제. 예시가 없었다면 조금 어려웠을 수도 있는데, 조건도 홀수만이어서 고려할게 적었고, 명확하게 시계방향으로 숫자만 채우면 되는 문제였다. 여기까지 풀면 타임어택으로 1천등 \~ 4천등의 순위가 갈렸다는게.. CP의 냉혹함인듯 하다. ## E - Non-Decreasing Colorful Path (To be upsolved...) - 문제 링크: - Score: 525점 - 문제 예상 티어: Platinum V 엄청 여러번 `WA`, `TLE`를 반복했다. 거리가 0인 `Edge`를 처리하기 곤란했다. (이거때문에 다들 TLE..) 업솔빙 예정. ## F, G 문제가 너무 많이 쌓인 관계로 일단 skip. G는 정수론을 좀 빠삭하게 알면 쉬울 법한 문제인데, 나중에 도전해봐야겠다. 소수를 포함하는 거듭제곱과 연관된 정수론 연습문제인듯. --- --- id: "imported/blog/history/cf/cf-918" title: "Codeforces Round 918" description: "Div 4긴 하지만, 처음 해보는 All Solve! 한 해의 마지막 코포로 재밌게 참가했고, 뿌듯했다." kind: "record" published: "2023-12-29T00:00:00.000Z" tags: ["PS","codeforces"] url: "https://www.readiz.com/blog/history/cf/cf-918/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-918/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 918 # Codeforces Round 918 Upsolving - 대회 참가 유무: Y - 최종 Performance: **1756** (Rank: 229 / 27413) - Round 링크: [Top](https://codeforces.com/contest/1915) / [Problems](https://codeforces.com/contest/1915/problems) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | AC | AC | AC | Div 4긴 하지만, 처음 해보는 All Solve! 한 해의 마지막 코포로 재밌게 참가했고, 뿌듯했다. ## A - Odd One Out - 문제 링크: - Score: N/A - 문제 예상 티어: Bronze IV 몇번 나왔던 `A ^ B ^ C` 구하기 문제. 같은 수는 두번 `XOR`하면 사라진다! ## B - Not Quite Latin Square - 문제 링크: - Score: N/A - 문제 예상 티어: Bronze III 단순 구현 문제. 없는 문자를 찾으면 된다. ## C - Can I Square? - 문제 링크: - Score: N/A - 문제 예상 티어: Silver V 나는 그냥 숫자 다 더한 다음에 `sqrt` 때린 후 제곱해서 원래 숫자가 나오는지로 봤다. 정수의 `sqrt`는 정확하게 계산된다. (제곱수가 맞을 경우) ## D - Unnatural Language Processing - 문제 링크: - Score: N/A - 문제 예상 티어: Silver I `C`, `V`가 정의되고, `greedy` 하게 단어를 끊어주면 되는 문제. 예외처리 할게 별로 없었다. ## E - Romantic Glasses - 문제 링크 (E1: Easy): - Score: N/A - 문제 예상 티어: Gold I 나는 이게 F보다 쉬웠다. F 풀고 E를 풀었다. 그냥 수식을 보고 있자면 범위 수의 합을 어떻게 빨리 구하지? 할 수 있지만, 코포 문제가 늘 그렇듯 짝수 & 홀수를 나눠 생각해보면 답이 금방 나온다. 차이를 상쇄할 수 있느냐가 포인트. ## F - Greetings - 문제 링크: - Score: N/A - 문제 예상 티어: Platinum V 웰논인 것과는 별개로, solved tier 기준 이런 세그먼트 트리 기초 활용 유형은 `P5` 티어를 받는다. 입력을 선분으로 생각하고, 시작점 기준으로 정렬해서 루프를 시작한다. 그리고 루프는 끝점 기준으로 집어넣으면서(그리디 문제 대표 유형인 Job Scheduling 문제에서 쓰던 방식이다.), 기존의 선분을 몇개 교차하는지 세면 된다. 이 과정에서 `Segment Tree`나 `PBDS`가 필요한데, 나는 `PBDS`로 풀었다. `PBDS`의 `order_of_key` 메서드를 사용하면 쉽게 쿼리당 $O(\log N)$으로 처리가 가능해서 편하다. ## G - Bicycles - 문제 링크: - Score: N/A - 문제 예상 티어: Platinum V 백준에 정확하게 같은 문제가 있고, `P5`를 받았다. - 주유소 문제: 정해는 자전거 최소 가격 기준으로 다익스트라에 쓰이는 배열을 확장해서, `dp[1001]` 배열을 만들어서 다익스트라를 사용하는 것이다. 그래서 비용이 1000까지로 제한되어 있고, 이것이 출제 의도로 보인다. 다만, 자전거 가격이 적어도 1이라는 점을 이용해서, 백트래킹을 빡세게 적용하면 이 역시도 `AC`를 받는다. 아래는 이 점을 활용한 풀이이다. 주유소 문제도 동일한 방식으로 풀린다. 정해를 몰랐어서 12틀 한것은 안 비밀이다. ```cpp struct Edge { int v; ll w; short min; bool operator<(const struct Edge& t) const { if (w != t.w) return w > t.w; return v < t.v; } }; int mdist[1001][1001]; vector e[1001]; short s[1001]; int N, M; void solve() { scanf("%d %d", &N, &M); for(int i = 1; i <= N; ++i) e[i].clear(); memset(mdist, 0x3F, sizeof(int) * 1001 * 1001); FOR(i,0,M) { int u, v, w; scanf("%d %d %d", &u, &v, &w); if (mdist[u][v] > w) mdist[u][v] = w; if (mdist[v][u] > w) mdist[v][u] = w; } FOR(i,1,N+1) { FOR(j,1,N+1) { if (i == j) continue; if (mdist[i][j] >= 0x3F3F3F3F) continue; e[i].push_back({j, mdist[i][j], -1}); } } FOR(i,1,N+1) { ll tmp; scanf("%lld", &tmp); s[i] = tmp; } ll minw[1001]; ll mins[1001]; memset(minw, 0x3F, sizeof(ll) * 1001); memset(mins, 0x3F, sizeof(ll) * 1001); priority_queue pq; pq.push({1, 0, 2000}); while(pq.size()) { auto cur = pq.top(); pq.pop(); // _D("checking %d: %lld\n", cur.v, cur.w); if (cur.v == N) { printf("%lld\n", cur.w); return; } short cmin = min(cur.min, s[cur.v]); for(auto& edge: e[cur.v]) { if (edge.min == cmin) continue; edge.min = cmin; ll tmp = (ll)cur.w + (ll)edge.w * cmin; if (minw[edge.v] > tmp || mins[edge.v] > cmin) { pq.push({edge.v, tmp, cmin}); minw[edge.v] = tmp; mins[edge.v] = cmin; } } } assert(false); printf("ERR!\n"); } ``` --- --- id: "imported/ps/algorithm/dp/tsp" title: "TSP" description: "일단 표제만 정리해두고, 나중에 심도있게 정리해볼 예정." kind: "record" published: "2023-12-26T00:00:00.000Z" tags: ["TSP","DP"] url: "https://www.readiz.com/notes/algorithm/dp/tsp/" markdownUrl: "https://www.readiz.com/notes/algorithm/dp/tsp/index.md" recordFolder: "알고리즘/동적 계획법" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EB%8F%99%EC%A0%81+%EA%B3%84%ED%9A%8D%EB%B2%95" --- # TSP ## TSP 일단 표제만 정리해두고, 나중에 심도있게 정리해볼 예정. - 외판원 순회 문제: ### Bottom-up solution ```cpp int N; ll w[16][16]; ll dp[1<<16][16]; // bit dp // dp[4][110111] // 0, 1, 3, 4, 5 번째 도시를 들렀고, 4번째 도시를 마지막에 들른 상태임 void solve() { scanf("%d", &N); FOR(i,0,N) { FOR(j,0,N) { scanf("%lld", &w[i][j]); } } memset(dp, 0x3F, sizeof(ll) * (1<<16) * 16); int allstate = 1 << N; for(int state = 1; state < allstate; ++state) { for(int cur = 0; cur < N; ++cur) { if ((1< - Score: 100점 - 문제 예상 티어: Bronze V Do you know 비교문? 여기까진 좋았다.. ## B - Christmas Trees - 문제 링크: - Score: 250점 - 문제 예상 티어: Silver V 여기부터 말렸다. 사실 지금 생각해보면 $M$ 범위가 $M \le 10^9$라서 절대 1씩 증가시켜서는 시간내에 안들어오는건데.. 왜 잘못된 생각을 했는지 모르겠다. 수식을 차분히 전개하는 문제. - $\displaystyle \frac {L - A} M \le k \le \frac {R - A} M$ 이라는 것에 주목해서 풀면 되겠다. `C++`에서는 `MOD` 연산이 음수에 적용되면 음수가 나오므로, `MOD`만큼 더해주어야 한다. ## C - Socks 2 (To be upsolved..) - 문제 링크: - Score: 350점 - 문제 예상 티어: Gold IV 말린 문제 2. 업솔빙 해야한다. 익숙치 않은 `양방향 Greedy`. ## D - Reindeer and Sleigh - 문제 링크: - Score: 400점 - 문제 예상 티어: Gold V 너무 전형적이라 오히려 `C`보다 쉬웠다. 누적합을 구해준 뒤 이분탐색을 때리면 된다. ## E - Christmas Color Grid 1 - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold III 엄청 전형적이진 않았지만, 그래도 풀이를 떠올리기는 어렵지 않았다. `BFS`로 각 컴포넌트들에 `id`를 부여해준 뒤, 빈칸에서 인접한 곳에 컴포넌트가 몇개 있는지 보면 된다. 그리고 역시나 아래 글은 앳코더 할거면 다시 봐야.. - [빠른 거듭제곱과 모듈로 역원](https://www.readiz.com/notes/algorithm/math/fastpowmodularinverse/) ## F - Christmas Present 2 (To be upsolved...) - 문제 링크: - Score: 550점 - 문제 예상 티어: ? `Deque DP`라고 한다. 백준 5977랑 비슷하다고 하니 `DP` 연습겸 여유되면 살펴볼 예정 ## G - Christmas Color Grid 2 (To be upsolved...) - 문제 링크: - Score: 650점 - 문제 예상 티어: ? `E`의 정반대 버전. 컴포넌트를 중간을 끊는다. 뭔가 전형적인 문제같은데 아직은 잘 모르겠다. --- --- id: "imported/blog/history/cf/cf-916" title: "Codeforces Round 916" description: "F, G1 중에 하나만 더 풀었으면, 떡상각이었는데 너무 아쉽다. F, G1 복기 예정." kind: "record" published: "2023-12-20T00:00:00.000Z" tags: ["PS","codeforces"] url: "https://www.readiz.com/blog/history/cf/cf-916/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-916/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 916 # Codeforces Round 916 Upsolving - 대회 참가 유무: Y - 최종 Performance: **1405** (Rank: 2068 / 18719) - Round 링크: [Top](https://codeforces.com/contest/1914) / [Problems](https://codeforces.com/contest/1914/problems) - 문제별 결과 | A | B | C | D | E1 | E2 | F | G1 | G2 | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | AC | AC | - | - | - | `F`, `G1` 중에 하나만 더 풀었으면, 떡상각이었는데 너무 아쉽다. `F`, `G1` 복기 예정. ## A - Problemsolving Log - 문제 링크: - Score: N/A - 문제 예상 티어: Bronze III 전형적인 코포스타일 A번. ## B - Preparing for the Contest - 문제 링크: - Score: N/A - 문제 예상 티어: Silver III `Deque` 느낌으로, 앞 뒤로 숫자를 넣어 해결했다. ## C - Quests - 문제 링크: - Score: N/A - 문제 예상 티어: Gold V 전형적인 `Greedy`. `prefix sum`과 `prefix max` 를 구해야 하는 문제라서 재밌었다. RPG 장르에서 1회성 퀘스트 이후 반복하면 보상이 안좋아지는 그런 것을 사용해서 낸 재밌는 문제. ## D - Three Activities - 문제 링크: - Score: N/A - 문제 예상 티어: Silver II 한 D번 오면 보통 머리가 잘 안돌아간다. 그래서 각 활동 중 이득인 것 기준으로 정렬해서 $100 * 100 * 100$ 만큼 반복했는데, 알고보니 $3*3*3$ 번만 반복해도 됐다. ## E1, E2 - Game with Marbles - 문제 링크 (E1: Easy): - 문제 링크 (E2: Hard): - Score: N/A - 문제 예상 티어: Gold III 역시나 `Greedy`. 각 플레이어가 최선으로 게임한다면, $a_i + b_i$가 최대한 것을 고르면 된다. 이 사실을 알고 나면, 그냥 평범한 `pq`문제로 변한다. ## F - Programming Competition (To be upsolved...) - 문제 링크: - Score: N/A - 문제 예상 티어: ? 뭔가 엄청 복잡한 tree 나누기 합치기로 구현을 시도하다가 막혔는데, 업솔빙 예정. ## G1 - Light Bulbs (Easy Version) (To be upsolved...) - 문제 링크: - Score: N/A - 문제 예상 티어: ? 뭔가 할만한 경우의 수 구하기라는 것 같은데 지금은 잘 모르겠다. 추후 풀이 예정. ## G2 - Light Bulbs (Hard Version) Skip. --- --- id: "imported/blog/history/at/abc-333" title: "AtCoder Beginner Contest 333" description: "깔끔한 제출기록. F를 1시간 고민하고 풀지 못한 것은 아쉽다." kind: "record" published: "2023-12-16T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-333/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-333/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 333 # ABC 333 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-12-16-23-00-00.png) 깔끔한 제출기록. `F`를 1시간 고민하고 풀지 못한 것은 아쉽다. - 대회 참가 유무: Y - 최종 Performance: 1494 (Rank: 1129 / 13970) - Round 링크: [Top](https://atcoder.jp/contests/abc333) / [Tasks](https://atcoder.jp/contests/abc333/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | AC | - | - | 슬슬 앳코더도 민트각이 보인다. `F`번은 앳코더에 많이 나오던 `확률 DP`인데, 블로그에 나름 정리를 했는데도 못풀어서 아쉬웠다. 업솔빙 필수. ## A - Three Threes - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V Do you know 반복문? 단순히 숫자를 입력받아 그 숫자만큼 반복시켜 출력하면 된다. ## B - Pentagon - 문제 링크: - Score: 200점 - 문제 예상 티어: Bronze III Can you use `LUT`? 아래 방식이 머리가 안아프다. ```cpp int len[5][5] = { 0, 1, 2, 2, 1, 1, 0, 1, 2, 2, 2, 1, 0, 1, 2, 2, 2, 1, 0, 1, 1, 2, 2, 1, 0 }; ``` ## C - Repunit Trio - 문제 링크: - Score: 300점 - 문제 예상 티어: Silver II $1$이 반복되는 배열을 미리 만들어두고, $O(N^3)$ 의 완전 탐색. 여기서 $N$은 대충 한 $14$정도의 길이로 잡았다. $N \le 333$이기 때문에, 커버가 되면 된다. (친절하게 예제 TC에 $N = 333$이 있으니 어렵지 않다) ## D - Erase Leaves - 문제 링크: - Score: 400점 - 문제 예상 티어: Gold III 전형적인 `트리 DP`. `dfs`로 깊이 우선 탐색을 돌리면 각 `subtree`의 `size`를 구할 수 있고, $1$번 정점에 연결된 녀석들의 `size` 중 가장 큰 애를 $1$번 정점의 `size`에서 빼주면 답이 된다. 시간복잡도는 $O(N)$. ## E - Takahashi Quest - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold III `시뮬레이션` + `Greedy`. 포션이 여러 종류가 있고 이 포션을 몬스터를 잡는데에 사용한다. 시간대별로 용사의 모험이 진행되므로, 포션은 가급적 몬스터에 마주치기 직전의 포션을 쓰는 것이 좋겠다(Greedy stays ahead). 만약 마주친 시점에 사용할 수 있는 포션이 없다면 즉시 종료. 하나라도 있다면 가능하고, 스택으로 어느 포션을 집을지 결정한다. 결정한 후, `Fenwick` 과 같은 자료구조로 다시 처음부터 시뮬레이션 하면서 용사의 최대 포션 소지량을 계산할 수 있다. 이렇게 하면 시간복잡도는 $O(N \log N)$. Editorial에서는 `Fenwick`이 아닌 `imos`로 계산했다. (`inclusive_scan`이라는 못보던 `STL`을 사용했다.) ## F - Bomb Game 2 (To be upsolved...) - 문제 링크: - Score: 550점 - 문제 예상 티어: Platinum II 앳코더 빈출 유형. 예전 `DP` 연습용 셋의 `확률 DP` 문제이다. 확률간의 전이를 생각해야 하는 문제. 업솔빙 예정. 결과 출력이 분수 형태가 될 때 해당 출력을 모듈로 역원으로 다루는 문제는 앳코더에 자주 나와서 아래 글에 한번 더 정리했다. - [빠른 거듭제곱과 모듈로 역원](https://www.readiz.com/notes/algorithm/math/fastpowmodularinverse/) ## G - Nearest Fraction (Will not be upsovled, just memo) - 문제 링크: - Score: 625점 - 문제 예상 티어: ? 특이한 풀이가 있어서 메모용으로 저장해둔다. 갓이썬의 `Fraction`을 사용한 풀이. ```python from fractions import Fraction r = Fraction(input()) N = int(input()) ans = (r - Fraction("1e-100")).limit_denominator(N) print(*ans.as_integer_ratio()) ``` --- --- id: "imported/blog/history/at/abc-332" title: "AtCoder Beginner Contest 332" description: "3솔따리가 되었다. D번은 지금 봐도 왜 틀렸는지 잘 모르겠다. D, E, F 모두 무난히 풀 수 있어야 나중에 블루에 안착 가능할 듯. D만 빠르게 구현 했으면 E, F 모두 수학이라, 익숙했더라면 아마 쉽게 F번까지 풀었을 만한 셋이다. 연습이 필요하다." kind: "record" published: "2023-12-10T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-332/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-332/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 332 # ABC 332 Upsolving - 대회 참가 유무: Y - 최종 Performance: 1029 (Rank: 2217 / 9282) - Round 링크: [Top](https://atcoder.jp/contests/abc332) / [Tasks](https://atcoder.jp/contests/abc332/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | - | - | - | - | 3솔따리가 되었다. D번은 지금 봐도 왜 틀렸는지 잘 모르겠다. D, E, F 모두 무난히 풀 수 있어야 나중에 블루에 안착 가능할 듯. D만 빠르게 구현 했으면 E, F 모두 수학이라, 익숙했더라면 아마 쉽게 F번까지 풀었을 만한 셋이다. 연습이 필요하다. ## A - Online Shopping - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V Do you know 조건문? 경계 조건 $K$만 판별할 수 있으면 된다. ## B - Glass and Mug - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V 간단한 `시뮬레이션`. ## C - T-Shirts - 문제 링크: - Score: 300점 - 문제 예상 티어: Silver I 간단한 `Greedy`. 일반 티셔츠를 먼저 사용하도록 하고, 로고 티셔츠는 로고 티셔츠를 사용해야 할 때만 사용하게 하는 식으로 구현하면 최적이다. 증명.. 나중에 해봐야겠지? :blobthinking: ## D - Swapping Puzzle (Upsolved) - 문제 링크: - Score: 425점 - 문제 예상 티어: Gold II 맵 사이즈가 $5 \times 5$가 최대이기 때문에 (그리고 실제로 이동 가능한 곳은 $4 \times 4$이기 때문에) 단순 `BFS`로 풀린다. 어렵게 접근한 것 자체가 잘못. 계속 시도하다가 `WA`가 난 정렬 후 비교 방식은 실제로 다른 `row`를 같은 `row`로 판정할 수 있기 때문에 안된다. 몇 가지 Util 함수들을 만들면, 판 자체를 `BFS` 과정에서 들고 다닐 수 있고, 쉽게 비교할 수 있다. 또한 visited 체크는 판 전체를 `stringify` 한 후, set을 이용해서 체크하는 방식을 사용했다. ```cpp int H, C; struct Board { int b[5][5]; int (&operator[](int idx))[5] { return b[idx]; } } A, B; bool cmp(Board& a, Board& b) { for(int i = 0; i < H; ++i) { for(int j = 0; j < C; ++j) { if (a[i][j] == b[i][j]) continue; return false; } } return true; } unordered_set US; void visitedReset() { US.clear(); } string getHash(Board& a) { string str = ""; for(int i = 0; i < H; ++i) { for(int j = 0; j < C; ++j) { str += to_string(a[i][j]) + " "; } } return str; } bool checkVisited(Board& a) { string hash = getHash(a); if (US.find(hash) == US.end()) return false; return true; } void registerVisited(Board& a) { string hash = getHash(a); US.insert(hash); } struct QData { int depth; Board b; } q[1000000]; int qf, qr; void solve() { scanf("%d %d", &H, &C); FOR(i,0,H) FOR(j,0,C) scanf("%d", &A[i][j]); FOR(i,0,H) FOR(j,0,C) scanf("%d", &B[i][j]); int ans = 0x7FFFFFFF; Board a = A; visitedReset(); // bfs qf = qr = 0; q[qr++] = { 0, a }; while(qf != qr) { auto& cur = q[qf++]; if (checkVisited(cur.b)) continue; registerVisited(cur.b); if (cmp(cur.b, B)) { ans = cur.depth; break; } for(int p = 0; p < H - 1; ++p) { Board b = cur.b; for(int i = 0; i < C; ++i) swap(b[p][i], b[p+1][i]); q[qr++] = {cur.depth + 1, b}; } for(int p = 0; p < C - 1; ++p) { Board b = cur.b; for(int i = 0; i < H; ++i) swap(b[i][p], b[i][p+1]); q[qr++] = {cur.depth + 1, b}; } } if (ans != 0x7FFFFFFF) { printf("%d\n", ans); } else { printf("-1\n"); } } ``` 정해는 `next_permutation`을 활용한다. 내가 안써본 `STL`인데, 지금보니 상당히 유용하다. 직접 구현하려면, 뒤쪽부터 '내림차순'이 끝나는 지점을 파악해서, 그 내림차순을 뒤집은 뒤, 내림차순 뒤집고 나서 맨 앞의 숫자를 `swap` 하면 된다. 규칙은 쉽게 발견할 수 있을 것. `next_permutation`을 구하는 데에는 $O(N)$이 걸린다. 또한, 단순히 오름차순과 내림차순이 중요하기 때문에, 조합으로도 쉽게 활용할 수 있다. ($[0, 1, 1]$ 와 같은 배열을 만들어서 쓰면 된다. 내림차순으로만 바꿔줌에 유의. 또는 $[1, 1, 0]$ 으로 한 뒤 `prev_permutation`을 사용해도 된다. 그동안은 `bitset`만 썼는데 이 방식도 교육적이다.) ```cpp int H, C; int A[5][5], B[5][5]; void solve() { scanf("%d %d", &H, &C); FOR(i,0,H) FOR(j,0,C) scanf("%d", &A[i][j]); FOR(i,0,H) FOR(j,0,C) scanf("%d", &B[i][j]); int ans = 0x7FFFFFFF; int ri[5], ci[5]; FOR(i,0,H) ri[i] = i; FOR(i,0,C) ci[i] = i; do { do { bool flag = true; for(int i = 0; i < H; ++i) { for(int j = 0; j < C; ++j) { if (A[ri[i]][ci[j]] == B[i][j]) continue; flag = false; break; } } if (flag == false) continue; int cur = 0; FOR(i,0,H) FOR(j,i+1,H) if (ri[i] > ri[j]) ++cur; FOR(i,0,C) FOR(j,i+1,C) if (ci[i] > ci[j]) ++cur; if (cur < ans) ans = cur; } while(next_permutation(ci, ci + C)); } while(next_permutation(ri, ri + H)); if (ans != 0x7FFFFFFF) { printf("%d\n", ans); } else { printf("-1\n"); } } ``` ## E - Lucky Bag (Upsolved) - 문제 링크: - Score: 525점 - 문제 예상 티어: Platinum V 처음에는 정렬 후 완탐인가 싶었는데 `E`번에 그런 간단한게 잘 나오지 않는다. 풀이가 떠오르지 않아 에디토리얼을 보고 정리해본다. 결론부터 말하면 처음 본 `DP`. 먼저, 평균값 $x_{mean}$은 가방을 어떻게 분배하든 상관없이 값이 항상 일정하다는 관찰해야 한다(수식적으로 구해봐도 같다는 것을 알 수 있다). 이 값은 미리 구해두면 변하지 않고 계속 활용 가능하다. $S_{sub}$를 전체 집합 $S_{all}$의 부분집합으로 정의하고, $1 \le k \le D$인 $k$를 잡아, $dp[S_{sub}][k]$를 정의한다. 그러면 이 수식은 전체 문제의 부분 문제가 된다. 그리고 문제의 정답은 - $dp[S_{all}][D]$ 에 있을 것이다(물론 최종 정답은 D로 나누어야 한다). 관건은 상태전이식인데.. 일단 전이 시키기 전에, 초기항 (D의 크기가 1, 하나의 가방에 다 넣음) 부터 한번 구해보자. 이 값은, - $dp[S][1] = ((\sum W_g) - x_{mean})^2$ 로 구해지는 것은 자명하다. 여기에 가방을 하나가 더 고려해보면? - $dp[S][k] = min(dp[S - T][k - 1] + dp[T][1])$ 로 전이를 시킬 수 있다고 한다. (이걸 어캐 암?) $T$ 집합만큼을 뺀 것을 위 초기식과 연계시킬 수 있다. 가방에 물건이 들어있는 상태를 `bit`로 관리하면, 예를 들어 $S_{sub}$가 $11011$와 같은 상태일 때, $11010$, $11000$, $10000$의 순서로 전이를 시키면서, 최소값을 업데이트 해나가는 식으로 구할 수 있겠다. 자주 쓰이는 방식인데 나만 모르는 웰노운 느낌. ```cpp int W[16]; double dp[1<<15][16] = {0, }; // ans: dp[(1<= 1 일 경우 채우기. // 전이식: dp[S][k] = min(dp[S][k], dp[S-T][k-1] + dp[T][1]); // 순회방법: cursor 를 x에 할당하고, x = (x - 1) & cursor 로 순회하면, 하나 뺀 애들을 순회 가능 for(int j = 2; j <= D; ++j) { dp[cursor][j] = dp[cursor][j-1] + dp[0][1]; // 빈 그룹 추가하는 case를 초기값으로.. for(int x = cursor; x > 0; x = (x - 1) & cursor) { dp[cursor][j] = min(dp[cursor][j], dp[cursor-x][j-1] + dp[x][1]); } } } printf("%.15lf\n", dp[(1< - Score: 550점 - 문제 예상 티어: Platinum II 흔한 Lazy Seg. 그리고 앳코더는 `ModInt` 참 좋아한다.. 오히려 `E`보다 쉬웠다. 백준 문제 중에, `수열과 쿼리 13` 문제가 있다. 이 문제에 약간의 확률을 끼얹은 것. - 수열과 쿼리 13: ```cpp #include using namespace std; typedef long long ll; typedef unsigned long long ull; ll MOD = 998244353; int N; struct SegNode { ll val; ll lazySum; ll lazyProduct; }; struct LazySeg { SegNode tree[800'040]; ll arr[200'010]; ll init(int x, int s, int e) { tree[x].lazySum = 0; tree[x].lazyProduct = 1; if (s == e) return tree[x].val = arr[s]; int m = (s+e)>>1; return tree[x].val = (init(x<<1,s,m) + init(x<<1|1,m+1,e)) % MOD; } void init() { init(1, 1, N); } void push(int x, int s, int e) { if (tree[x].lazySum == 0 && tree[x].lazyProduct == 1) return; tree[x].val *= tree[x].lazyProduct; tree[x].val += tree[x].lazySum; tree[x].val %= MOD; if (s != e) { // if it is not leaf, Propogate tree[x<<1].lazySum *= tree[x].lazyProduct; tree[x<<1].lazyProduct *= tree[x].lazyProduct; tree[x<<1].lazySum += tree[x].lazySum; tree[x<<1].lazyProduct %= MOD; tree[x<<1].lazySum %= MOD; tree[x<<1|1].lazySum *= tree[x].lazyProduct; tree[x<<1|1].lazyProduct *= tree[x].lazyProduct; tree[x<<1|1].lazySum += tree[x].lazySum; tree[x<<1|1].lazyProduct %= MOD; tree[x<<1|1].lazySum %= MOD; } tree[x].lazySum = 0; tree[x].lazyProduct = 1; } void updateRange(int x, int s, int e, int l, int r, ll lazySum, ll lazyProduct) { push(x, s, e); if (r < s || e < l) return; if (l <= s && e <= r) { tree[x].lazySum += lazySum; tree[x].lazyProduct *= lazyProduct; push(x, s, e); return; } int m = (s+e)>>1; updateRange(x<<1,s,m,l,r,lazySum,lazyProduct); updateRange(x<<1|1,m+1,e,l,r,lazySum,lazyProduct); tree[x].val = tree[x<<1].val + tree[x<<1|1].val; tree[x].val %= MOD; } void updateRange(int l, int r, ll lazySum, ll lazyProduct) { updateRange(1, 1, N, l, r, lazySum, lazyProduct); } int getRange(int x, int s, int e, int l, int r) { push(x, s, e); if (r < s || e < l) return 0; if (l <= s && e <= r) return tree[x].val; int m = (s+e)>>1; return (getRange(x<<1,s,m,l,r) + getRange(x<<1|1,m+1,e,l,r)) % MOD; } // int getRange(int l, int r) { // return getRange(1, 1, N, l, r); // } ll getValue(int idx) { return getRange(1,1,N,idx,idx); } } lazySeg; ll fastPow(ll a, ll p) { ll res = 1LL; while (p) { if (p & 1LL) res = res * a % MOD; a = a * a % MOD; p >>= 1LL; } return res; } ll getInv(ll v) { return fastPow(v, MOD - 2); } int main() { int M; scanf("%d %d", &N, &M); for(int i = 1; i <= N; ++i) scanf("%d", &lazySeg.arr[i]); lazySeg.init(); for(int m = 0; m < M; ++m) { ll l, r, v; scanf("%lld %lld %lld", &l, &r, &v); ll range = r - l + 1; ll p = getInv(range); // uniform 확률 -> 변할 확률 = 1 / range ll ip = (range - 1) * p % MOD; // 변하지 않은 확률 = (range - 1) / range ll lazyProduct = ip; ll lazySum = p * v; lazySeg.updateRange(l, r, lazySum, lazyProduct); } for(int i = 1; i <= N; ++i) { printf("%lld ", lazySeg.getValue(i)); } printf("\n"); return 0; } ``` ## G Skip. 자주 나오는 `Flow` 유형. 다만 일반적인 `Flow` 풀이로는 안되고, 최적화가 같이 붙는듯 하다. --- --- id: "imported/blog/history/ex/ahc-27" title: "AHC 27" description: "이 글은 AHC 27의 풀이 방법에 대해 내 접근을 정리한 글이다." kind: "record" published: "2023-12-10T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/ex/ahc-27/" markdownUrl: "https://www.readiz.com/blog/history/ex/ahc-27/index.md" recordFolder: "풀이 기록/기타 풀이" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B8%B0%ED%83%80+%ED%92%80%EC%9D%B4" --- # AHC 27 이 글은 AHC 27의 풀이 방법에 대해 내 접근을 정리한 글이다. # 문제 분석 $20 \times 20$ 크기부터 $40 \times 40$ 크기를 가지는 2차원 맵이 있고, 이 맵 위를 로봇 청소기가 지나간다. 원점에서 출발해서 원점으로 돌아오는 경로를 하나 리턴해야하고, 이 경로는 기본적으로 짧을 수록 좋다. 그렇지만, 각 구역마다 장애물이 존재하며, 구역마다 쓰레기가 쌓이는 속도가 다르기 때문에, 경로를 잘 만들어야 한다. # Score 식 분석 일단 길이 $L$의 `path`를 만들었다고 치면, 한번 로봇을 순회시킨다. 그러고나서, $L$ \~ $2L - 1$ 구간 경로 방문을 시키면서, 전체 맵의 더러움 정도를 합한 것이 스코어가 된다. # 초반 전략 `dfs` 알고리즘을 통해 깊이 우선으로 탐색시켜, 최대한 방문한 곳은 1번만 방문하는 식으로 해서 다시 원점으로 복귀하도록 했다. # 중반 전략 `dfs` 도 여러 방법으로 방문이 가능함에 착안, `score`를 계산할 수 있도록 로직을 짰고, 여러 `dfs` 경로 중 `score`가 최소가 되는 경로를 리턴하도록 했다. # 후반 전략 딱히 후반 전략을 떠올리지 못했다. 영역을 나눠야 한다.. 까지는 생각했지만, 영역을 나누고 어떻게 방문하지? 에서 구현을 실제로 이루어내지는 못했음. 다른 후기글을 읽어보니 빔 탐색 등을 활용해서, 역시 쉽게 더러워지는 곳을 여러번 방문하도록 경로를 짜는 방법이 주효. 만약 이렇게 탐색했는데 미방문 지역이 있다면, 끝에 미방문 지역을 붙이는 것이 아니라 기존 경로를 최대한 수정하는 방식으로 미방문 지역을 방문하도록 조작하는듯 하다. --- --- id: "imported/blog/history/cf/cf-913" title: "Codeforces Round 913" description: "레이팅은 샘플링일 뿐이다....라고 생각하자. C 풀이가 막힌게 치명적(또다시). 코포의 의욕이 좀 끊기지만 언젠가 복기해보도록 하자." kind: "record" published: "2023-12-05T00:00:00.000Z" tags: ["PS","codeforces"] url: "https://www.readiz.com/blog/history/cf/cf-913/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-913/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 913 # Codeforces Round 913 Upsolving - 대회 참가 유무: Y - 최종 Performance: **1041** (Rank: 5697 / 18545) - Round 링크: [Top](https://codeforces.com/contest/1907) / [Problems](https://codeforces.com/contest/1907/problems) - Editorial: - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | - | - | - | - | - | 레이팅은 샘플링일 뿐이다....라고 생각하자. `C` 풀이가 막힌게 치명적(또다시). 코포의 의욕이 좀 끊기지만 언젠가 복기해보도록 하자. --- --- id: "imported/blog/viewings/miscellaneous/endgame" title: "게임을 접다" description: "갑자기 심경변화가 와서 나중에 언제 이런 결정을 내렸나.. 찾기 위해서 글로 한자 남겨둔다." kind: "record" published: "2023-12-03T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/viewings/miscellaneous/endgame/" markdownUrl: "https://www.readiz.com/blog/viewings/miscellaneous/endgame/index.md" recordFolder: "읽을거리/여러 생각" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%97%AC%EB%9F%AC+%EC%83%9D%EA%B0%81" --- # 게임을 접다 ## I'm in the endgame now(?) 갑자기 심경변화가 와서 나중에 언제 이런 결정을 내렸나.. 찾기 위해서 글로 한자 남겨둔다. 몇 개 남지 않았던 모바일 게임을 하는 것을 그만두었다. 시간 소모도 소모이지만, 다른 것보다도 모바일 게임이 이제 즐거움을 주기보다 스트레스를 더 많이 줘서가 다 계정 삭제를 때렸다. 캐주얼한 게임은 앞으로도 가끔씩은 즐길지도 모르겠지만, 출첵 요구를 한다던지 하는 게임은 앞으로 하지 않을 듯.. 대신에 다른 건전한 취미생활을 늘려나가도록 하자. --- --- id: "imported/blog/history/at/abc-331" title: "AtCoder Beginner Contest 331" description: "저번주 ABC에서 E번을 1분차로 제출 못한 이후로 또 고질병(경계선을 못넘는 병)이 도지나 했는데, 다행히 그린에 안착했다." kind: "record" published: "2023-12-02T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-331/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-331/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 331 # ABC 331 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-12-02-23-30-30.png) 저번주 ABC에서 `E`번을 1분차로 제출 못한 이후로 또 고질병(경계선을 못넘는 병)이 도지나 했는데, 다행히 그린에 안착했다. - 대회 참가 유무: Y - 최종 Performance: 1353 (Rank: 1461 / 10520) - Round 링크: [Top](https://atcoder.jp/contests/abc331) / [Tasks](https://atcoder.jp/contests/abc331/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | AC | - | - | `C` 에서 `upper_bound` 사용시 `end` check를 하지 않아서 3틀을 했다. `CPH`가 갑자기 동작하지 않아서 좀 멘붕이었는데, 그런거 치고 잘 쳤다는 개인적인 평가. ## A - Tomorrow - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze IV 하루 뒤의 날짜를 출력하는 문제. 다음 달로 넘어가는 case, 다음 해로 넘어가는 case 모두 빼먹지 말아야 한다. ## B - Buy One Carton of Milk - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V 정해는 $O(100*100*100)$의 브루트포스. 나는 아래 형태의 `DP`로 풀었다. (Knapsack) ```cpp int dp[200]; memset(dp, 0x3F, sizeof(int) * 200); dp[0] = 0; for(int i = 1; i <= 6; ++i) dp[i] = S; for(int i = 6; i <= 100; ++i) { if (i >= 6) { dp[i] = min(dp[i], dp[i - 6] + S); } if (i >= 8) { dp[i] = min(dp[i], dp[i - 8] + M); } if (i >= 12) { dp[i] = min(dp[i], dp[i - 12] + L); } } int ans = 0x7FFFFFFF; for(int i = N; i <= N + 12; ++i) { if (dp[i] < ans) ans = dp[i]; } printf("%d\n", ans); ``` ## C - Sum of Numbers Greater Than Me - 문제 링크: - Score: 300점 - 문제 예상 티어: Gold V 여기서 구현 이슈로 3틀을 했다. `upper_bound` 에서 결과가 없으면, `end()` iterator로 위치하고, 여기에는 쓰레기값이 들어가 있음에 유의하도록 하자. ## D - Tile Pattern - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold I 정해는 2차원 `Prefix Sum` + Case work 였다. 나는 `2D Fenwick` 으로 처리했다. 그렇지만 중간에 board가 업데이트 되는 쿼리가 없기 때문에 정해가 더 좋아보인다. 타일이 반복된다는 것이 구현을 복잡하게 만들었다. 따져야할 케이스가 많기 때문에, `D`를 건너뛴 사람들도 많이 보였고, 결론만 놓고 보면 `D` 풀 시간에 `E`와 `F`를 푸는 것이 정배 였던 것 같다. 다행히 시간 내에 `AC`를 받아서 다행이지만, 만약 구현하다가 시간을 초과했다면 저번주의 악몽이 되풀이 되었을 듯.. 개인적으로는 구현 연습에 상당히 도움이 되는 문제였다고 생각한다. 다음에 비슷한 유형이 나오면 좀 더 빨리 풀 수 있지 않을까.. ## E - Set Meal - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold IV 정해는 이것저것 체크하면서 시간복잡도를 많이 줄인 것으로 보이는데($O(L(\log N + \log L) + N + M \log M)$), 나는 그냥 $O(NM)$ 베이스 솔루션에 정렬 후 적당한 커팅을 붙여서 통과시켰고, 이 방법이 더 간단한듯 하다. 브루트포스로 $O(10^{10})$ 정도 되는 솔루션의 경우에는 주로 커팅을 하면 시간 내에 잘 들어오는 것 같다. ## F - Palindrome Query (To be upsolved...) - 문제 링크: - Score: 525점 - 문제 예상 티어: ? Segment Tree를 활용해서 풀 수 있다고 한다. 추후 다시 풀어볼 예정. ## G Skip --- --- id: "imported/blog/history/at/abc-330" title: "AtCoder Beginner Contest 330" description: "E를 1분 차이로 제출하지 못한 셋이다. 그래서 한문제 차이로 상당히 망한 퍼포가 나왔다." kind: "record" published: "2023-11-25T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-330/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-330/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 330 # ABC 330 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-12-03-22-28-33.png) - 대회 참가 유무: Y - 최종 Performance: 868 (Rank: 3161 / 10234) - Round 링크: [Top](https://atcoder.jp/contests/abc330) / [Tasks](https://atcoder.jp/contests/abc330/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | - | - | - | `E`를 1분 차이로 제출하지 못한 셋이다. 그래서 한문제 차이로 상당히 망한 퍼포가 나왔다. ## A - Counting Passes - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze IV Do you know 반복문? ## B - Minimize Abs 1 - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V B 치고 난이도가 있는 문제였다. 출력 문제로 1틀을 했다. (케이스중 1개에서 공백 출력을 안했다;;) `L` 보다 왼쪽의 수일 경우 `L`이, `R`보다 오른쪽의 수일 경우 `R`이, 그 사이에 들어올 경우 자기 자신이 되어야 거리가 최소가 된다. ## C - Minimize Abs 2 - 문제 링크: - Score: 300점 - 문제 예상 티어: Gold V 수학 문제. 수학 문제인 만큼 솔루션은 여러가지가 있을 수 있는데, 나는 그냥 `매개변수탐색`으로 해치웠다. 정해는 $O(\sqrt D)$이다. ```cpp void solve() { scanf("%lld", &N); ll sN = sqrt(N); ll ans = 0x7FFFFFFFFFFFFFFFLL; for(ll y = 0; y <= sN; ++y) { ll l = 0, r = sN + 1; ll yy = y * y; for(ll m = (l + r) >> 1; l <= r; m = (l + r) >> 1) { ll cur = yy + m * m; if (cur <= N) { l = m + 1; ans = min(ans, min(abs(cur - N), abs(yy + (m + 1) * (m + 1) - N))); } else { r = m - 1; } } } printf("%lld\n", ans); } ``` ## D - Counting Ls - 문제 링크: - Score: 400점 - 문제 예상 티어: Gold V 문제는 장황한데, 결국 케이스를 따져가면서 경우의 수를 따져보면, 각 `row`, `col`별로 `o`의 수를 미리 세어두고, 모든 $(i, j)$ 쌍에 대해 `ans += (rcnt[i] - 1) * (ccnt[j] - 1)`를 해주는 것이 답이다. ## E - Mex and Update (Upsolved) - 문제 링크: - Score: 475점 - 문제 예상 티어: Gold III `AC`가 나왔는데 1분 늦어서 제출을 못했다. `mex` 연산은 일종의 웰논 연산이고(님게임 등에서 쓰이는듯), 어떻게 빠르게 다음 수를 찾는지가 관건이었다. 정해는 `set`이나 `Segment Tree`였고, 나는 구간 관리하는 식으로 풀었다. 너무 어렵게 풀어서 시간내에 못낸거 같다. ```cpp int N, Q; int A[200010]; map M; struct Range { int l, r; bool operator<(const Range& t) const { if (l != t.l) return l < t.l; return r < t.r; } }; set S; void solve() { scanf("%d %d", &N, &Q); for(int i = 1; i <= N; ++i) { scanf("%d", &A[i]); if (M.find(A[i]) == M.end()) { M[A[i]] = 0; } M[A[i]]++; } for(auto& item: M) { S.insert({item.first, item.first}); } for(auto sit = S.begin(); sit != S.end();) { Range cur = *sit; auto it = sit; ++it; if (it == S.end()) { break; } else { Range nitem = *it; if (cur.r + 1 == nitem.l) { S.erase(it); S.erase(sit); sit = S.insert({cur.l, nitem.r}).first; } else { sit = it; } } } for(auto& item: S) { _D("[d] %d ~ %d\n", item.l, item.r); } for(int q = 0; q < Q; ++q) { int idx, val; scanf("%d %d", &idx, &val); int old = A[idx]; A[idx] = val; M[old]--; // 기존꺼 빼기 if (M[old] == 0) { auto it = S.lower_bound({old, 0x7FFFFFFF}); --it; // 무조건 있음 문제조건에서 _D("[d] delete %d!\n", old); Range cur = *it; S.erase(cur); if (cur.r == old) { S.insert({cur.l, cur.r - 1}); _D("(%d, %d) -> (%d, %d)\n", cur.l, cur.r, cur.l, cur.r - 1); } else if (cur.l == old) { S.insert({cur.l + 1, cur.r}); _D("(%d, %d) -> (%d, %d)\n", cur.l, cur.r, cur.l + 1, cur.r); } else { // 사이 S.insert({cur.l, old - 1}); S.insert({old + 1, cur.r}); _D("(%d, %d) -> (%d, %d) / (%d, %d)\n", cur.l, cur.r, cur.l, old - 1, old + 1, cur.r); } M.erase(old); } // 신규 넣기 if (M.find(val) == M.end()) { _D("[d] add %d!\n", val); auto it = S.lower_bound({val, 0}); if (it == S.begin()) { Range nitem = *it; if (nitem.l - 1 == val) { S.erase(it); S.insert({val, nitem.r}); } else { S.insert({val, val}); } } else { auto pit = it; --pit; Range nitem = *it; Range pitem = *pit; if (pitem.r + 1 == val && nitem.l - 1 == val) { S.erase(it); S.erase(pit); S.insert({pitem.l, nitem.r}); } else if (pitem.r + 1 == val) { S.erase(pit); S.insert({pitem.l, val}); } else if (nitem.l - 1 == val) { S.erase(it); S.insert({val, nitem.r}); } else { S.insert({val, val}); } } M[val] = 0; } M[val]++; auto it = S.begin(); Range cur = *it; _D("[begin] (%d, %d)\n", cur.l, cur.r); if (cur.l == 0) { printf("%d\n", cur.r + 1); } else { printf("0\n"); } } } ``` ## F - Minimize Bounding Square (To be upsolved...) - 문제 링크: - Score: 525점 - 문제 예상 티어: ? 뭔가 웰논의 냄새가 나서 업솔빙 예정. ## G Skip --- --- id: "imported/blog/study/math/karatsuba" title: "카라츠바" description: "큰 자리수의 곱셈 알고리즘인 카라츠바 알고리즘에 대해서 핵심만 정리해본다." kind: "record" published: "2023-11-22T00:00:00.000Z" tags: ["math"] url: "https://www.readiz.com/blog/study/math/karatsuba/" markdownUrl: "https://www.readiz.com/blog/study/math/karatsuba/index.md" recordFolder: "공부/수학" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2F%EC%88%98%ED%95%99" --- # 카라츠바 큰 자리수의 곱셈 알고리즘인 카라츠바 알고리즘에 대해서 핵심만 정리해본다. ## 약간의 수학 구하고자 하는 곱셈이 $x * y$ 인 경우를 생각하자. 여기서 $x$, $y$는 자연수이다. 편의상 두 수의 자리수가 같다고 하자. (만약 같지 않은 경우라면, 작은 녀석을 큰 녀석의 크기로 맞추고 padding을 추가하면 된다) 그러면, $x$, $y$는 아래처럼 다시 쓸 수 있다. - $x = x_1B^m + x_0$ - $y = y_1B^m + y_0$ 수식으로 보면 복잡해 보이는데, 이는 단순히 $123456 = 123 * 10^3 + 456$ 처럼 특정 수를 `high`, `low`로 나눈 것 뿐이다. `high`에 해당하는 것이 $x_1$, $y_1$이고, `low`에 해당하는 것이 $x_0$, $y_0$ 이다. 이를 `formal`하게 나타낸 것이 위 수식이고, $B$는 진법을 나타내고, $m$은 큰 수의 총 자릿수가 $l$이라고 할 때 절반으로 나눈 값이다. ($m = l / 2$, 절반으로 나누면 좋지 않겠는가?) 그러면 구하고자 했던 곱셈은 아래처럼 다시 쓸 수 있다. 이것을 이대로 계산하면, 곱셈의 구간을 절반으로 줄인 대신, 곱셈이 횟수가 4번으로 늘어났기 때문에 시간복잡도 계산을 해보면 $O(N^2)$이 되기 때문에 Naive하게 구했던 경우랑 다를게 없다. 그런데, 만약에 위 수식을 계산하는데에 곱셈의 횟수가 **3번**만 필요하다면 어떨까? 자리수가 작은 경우에는 위 방식이 상수항을 늘리기 때문에 크게 의미가 없지만, 자리수가 클 경우($N$이 클 경우)에는 충분히 의미가 있다. 카라츠바 알고리즘의 핵심은 $B^m$의 계수에 붙어있는 녀석을 아래처럼 변형하는데에 있다. - $x_1y_0 + x_0y_1 = (x_1 + x_0)(y_1 + y_0) - x_1y_1 - x_0y_0$ *곱셈을 줄인다더니 두번에서 오히려 세번으로 늘리고 있네* 라고 할 수 있다. 그런데 식을 자세히 보자. $x_1y_1$과 $x_0y_0$은 어차피 계산해야할 값이었다. 즉, 추가로 계산해야할 곱셈은 $(x_1 + x_0)(y_1 + y_0)$ 하나다. ## 실제 구현 위 알고리즘은 간단하게 재귀로 아래처럼 구현이 가능하다. $B^m$ 부분은 특정 자리수 부분에다가 더하는 것이므로, 배열에 잘 접근하는 것으로 처리가 가능하다. 또한, 카라츠바는 상수항이 큰 알고리즘이기 때문에, 실제로 써먹을만한 구현은 `naive`한 곱셈 구현을 섞어서 한다. ```cpp // naive 한 곱셈 구현, 시간복잡도 O(N^2) void naive_mult(ull r[], ull x[], ull y[], int n) { for(int i = 0; i < n; ++i) { ull cur = x[i]; ull* rp = &r[i]; ull* yp = &y[0]; for(int j = 0; j < n; ++j, ++rp, ++yp) { *rp += *yp * cur; } } } void karatsuba(ull r[], ull x[], ull y[], int n) { if (n < 50) { naive_mult(r, x, y, n); return; // 일정 자리수 이하로 내려가면 karatsuba는 비효율적이다. naive한 곱셈을 쓰자 } int m = n >> 1; // N는 가능한한 N / 2 딱 떨어지게되는 가장 좋은 수를 선택하자. ull xs[SZ], ys[SZ], tmp[SZ]; for(int i = 0; i < m; ++i) xs[i] = x[i] + x[i + m], ys[i] = y[i] + y[i + m]; for(int i = 0; i < n; ++i) tmp[i] = 0; // 4개의 곱셈 -> 3개의 곱셈으로 줄어듬 karatsuba(tmp, xs, ys, m); karatsuba(r, x, y, m); karatsuba(r + n, x + m, y + m, m); // B^2m 구간의 결과는 여기로 들어간다. for(int i = 0; i < n; ++i) tmp[i] -= r[i] + r[i + n]; // (x0 + x1)(y0 + y1) - x0y0 - x1y1 for(int i = 0; i < n; ++i) r[i + m] += tmp[i]; // * B^m } ``` ## Time Complexity 이 알고리즘의 구현을 살펴보면, 분할정복을 하는 경우의 시간복잡도 계산을 이용하여 시간복잡도를 구할 수 있다. 그럴듯하게 알고리즘을 어떻게 분할하면서 풀고 있느냐 하면, 구간이 $N / 2$로 줄어들 때마다, $3$개의 하위 문제가 생기고 있다. 또한, 이러한 하위문제를 합치는데 걸리는 시간이 $f(N) = 2N$이다. 이 경우는, 인 경우에 속하기 때문에, 시간복잡도는 [이 문서](https://www.readiz.com/blog/study/cs/timecomplexity/)에서 본 것처럼 계산할 수 있다. 결과만 보면, 이 된다. --- --- id: "imported/blog/history/at/abc-329" title: "AtCoder Beginner Contest 329" description: "F에서 unique 사용 관련 삽질을 했고, E를 못풀어서 아쉬웠다. 만약 F까지 빠르게 풀었으면 옐로우 퍼포도 나오는 셋이었다." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-329/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-329/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 329 # ABC 329 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-11-18-23-31-56.png) - 대회 참가 유무: Y - 최종 Performance: 1225 (Rank: 1757 / 10234) - Round 링크: [Top](https://atcoder.jp/contests/abc329) / [Tasks](https://atcoder.jp/contests/abc329/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | - | AC | - | `F`에서 `unique` 사용 관련 삽질을 했고, `E`를 못풀어서 아쉬웠다. 만약 `F`까지 빠르게 풀었으면 옐로우 퍼포도 나오는 셋이었다. ## A - Spread - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V 문자열 사이에 띄어쓰기를 하는 문제다. ## B - Next - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V 가장 큰 수보다 하나 작은 수를 구하는 문제. `set`을 써서 맨 뒤 바로 앞 원소를 출력해주면 된다. ## C - Count xxx - 문제 링크: - Score: 300점 - 문제 예상 티어: Silver I 문제를 읽다가 이거 너무 난이도 있는게 `C`에 나온게 아닌가? 하다가 자세히 보니까 그냥 연속된 문자열의 개수를 세는 문제였다. `map`으로 관리해주면 쉽게 풀 수 있다. ## D - Election Quick Report - 문제 링크: - Score: 350 - 문제 예상 티어: Gold V `pq`를 사용하면 쉽게 풀 수 있는 문제이다. 아래 백준 문제와 유사하다. - 국회의원 선거 문제: ## E - Stamp (To be upsolved...) - 문제 링크: - Score: 475 - 문제 예상 티어: Gold I 문자열의 `prefix`와 `suffix`의 모드를 나눠서 풀어보려고 했는데 잘 안됐다. 다시 풀어볼 예정. ## F - Colored Ball - 문제 링크: - Score: 500 - 문제 예상 티어: Gold II `bitset`으로 풀 수 있는데, `small to large`가 정해라고 한다. 나는 `bitset`으로 풀었다. 다만 모든 상자에 대해 `bitset`을 만들면 메모리 초과가 나게 된다. 이를 방지하기 위해서는 특정 사이즈 이상이 될 때 `bitset`으로 전환하도록 하면 된다. 이 과정에서 이제 `vector` -> `bitset`으로 전환되는데, stack을 사용해서 사용되지 않는 `bitset`은 꾸준히 지워주면서 할당하면 풀이가 가능하다. 대충 아래와 같은 느낌으로 할당했다. ```cpp vector> bs(20000); vector s[200010]; stack deleted; int bsCnt; int newBs() { if (deleted.size() == 0) { if (bsCnt >= 20000) assert("MEM OVERFLOW!"); return bsCnt++; } int ret = deleted.top(); deleted.pop(); bs[ret].reset(); return ret; } ``` 그리고, `vector`의 `unique`를 사용해서 중복원소를 제거할 때는 `sorted vector`에서만 사용해야 함에 유의하자. 즉, `unique`는 아래처럼 사용하는게 정석이다. 이걸 놓쳐서 6번 틀렸다.. ```cpp sort(v.begin(), v.end()); v.erase(unique(v.begin(), v.end()), v.end()); ``` 마지막으로 `bitset`의 대표 `method`를 정리한다. - reset(): 전체 bit를 0으로 - set(i): i번째 비트를 켠다. - flip(i): i번째 비트를 뒤집는다. (인자가 없으면 전체를 뒤집는다) - count(): 1로 세팅된 녀석들의 개수를 반환한다. - a |= b: a에 b를 or해서 저장한다. Editorial을 확인해보면, 공이 이동하게 되면 결과적으로 2배 이상의 `size`로 할당되게 되므로, 한 쿼리가 $O(\log N)$에 수행이 되는 꼴이라고 한다. 그래서 `swap`이나 `move`를 쓰면, $O(N \log N)$에 해결이 되는 모양이다. 아래가 정해. STL로 가능하게 되는 것이고, 상시 숭배 해야한다. ```cpp #include #include #include using namespace std; int main() { int n, q; cin >> n >> q; vector> st(n); for (int i = 0; i < n; i++) { int c; cin >> c; st[i].insert(c); } while (q--) { int a, b; cin >> a >> b; a--; b--; if (st[a].size() < st[b].size()) { for (int i : st[a]) st[b].insert(i); st[a].clear(); cout << st[b].size() << '\n'; } else { for (int i : st[b]) st[a].insert(i); st[b].clear(); cout << st[a].size() << '\n'; swap(st[a], st[b]); } } } ``` ## G Skip --- --- id: "imported/blog/history/cf/cf-909" title: "Codeforces Round 909" description: "레이팅은 샘플링일 뿐이다....라고 생각하자. C 풀이가 막힌게 치명적. subarray 관련해서 원래 약했는데, 자력솔 해보자." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: ["PS","codeforces"] url: "https://www.readiz.com/blog/history/cf/cf-909/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-909/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 909 # Codeforces Round 909 Upsolving - 대회 참가 유무: Y - 최종 Performance: **1182** (Rank: 3547 / 18717) - Round 링크: [Top](https://codeforces.com/contest/1899) / [Problems](https://codeforces.com/contest/1899/problems) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | TLE | AC | AC | - | - | 레이팅은 샘플링일 뿐이다....라고 생각하자. `C` 풀이가 막힌게 치명적. `subarray` 관련해서 원래 약했는데, 자력솔 해보자. ## A - Game with Integers - 문제 링크: - 문제 예상 티어: Silver V 님게임과 비슷한데, 님게임의 풀이법처럼 거창한 것은 필요없고, 그냥 3의 배수인지 아닌지로 판단하면 충분하다. `A`번이 아니었다면 고민좀 했겠지만 `A` 번이라서 맞겠거니 하고 믿음의 제출. ## B - 250 Thousand Tons of TNT - 문제 링크: - 문제 예상 티어: Gold V 문제 조건은 복잡한데, 결과적으로 $n$의 약수들에 대해서 구간합들을 구해서 구간별 최대 - 최소를 구한 것이 최종 답이 된다. 여기서 구간의 합을 구할 때는 단골 방식인 `prefix sum`을 미리 구해두고 활용하면 된다. ## C - Yarik and Array (To be upsolved...) - 문제 링크: - 문제 예상 티어: Gold III 골드 중상위 정도 되는 전형적인 문제였던 것 같은데 풀지 못했다. 풀이법을 고민해보자. `subarray`는 연속된 부분 수열을 뜻한다. (이 문제에서) 어떻게하면 `TLE`를 안나게 로직을 만들 수 있을까? ## D - Yarik and Musical Notes - 문제 링크: - 문제 예상 티어: Gold IV 관찰이 필요한 문제였다. 어떤 경우에 교환법칙이 성립하는지 잘 생각해보면, 아래 2가지 case가 있다. (1가지가 아니다!) - $(2^k, 2^k)$의 꼴 - $(2^4, 4^2)$의 꼴 두 번째 case가 tricky한데, 사실 이는 예전 `지수와 로그` 단원에서 가끔 문제로 나오던 성질이라서 기억이 났다. $b_i = 2^{a_i}$로 정의 했으므로, $a_i = 1, 2$가 되는 경우만 특별하게 세어 주고 (1과 2가 나온 숫자의 수를 전처리 해주면 된다), 숫자가 같은 경우의 수는 간단하게 $_nC_2$로 구하면 된다. ## E - Queue Sort - 문제 링크: - 문제 예상 티어: Gold V 문제 유형 자체는 `E`번에 나올만 한데, 문제는 관찰이 너무 쉬웠다. 내 체감 난이도는 $A \lt B \lt E \lt D \lt\lt C$ 였다. 풀이는 간단하게 최솟값을 찾은 후 뒤쪽으로 `non-decreasing order`인지 확인하고, 맞다면 그 최솟값이 있는 위치의 `index`가 정답이 된다. 최솟값 앞에 있는 숫자들 간의 대소는 어차피 뒤로 옮기면서 다시 정렬되므로 신경쓸 필요가 없다. ## F, G 그래프 문제. G의 경우 할만해 보였는데 접근 방법이 마지막까지 떠오르지 않아 풀이에 실패했다. 이 두 문제도 해보는게 좋을 듯. --- --- id: "imported/blog/study/til/stdio" title: "stdio 사용 팁" description: "나는 CP를 할 때 scanf를 사용한다. 처음 C로 문제 풀이를 시작했기 때문이기도 하고, cin, cout 처럼 fastio를 위한 처리를 하지 않아도 되서이다. 몇가지 문제 풀이 할 때 유용한 방식들을 정리한다." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: ["c","stdio","printf","scanf"] url: "https://www.readiz.com/blog/study/til/stdio/" markdownUrl: "https://www.readiz.com/blog/study/til/stdio/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # stdio 사용 팁 ## scanf 사용 팁 나는 `CP`를 할 때 `scanf`를 사용한다. 처음 `C`로 문제 풀이를 시작했기 때문이기도 하고, `cin`, `cout` 처럼 `fastio`를 위한 처리를 하지 않아도 되서이다. 몇가지 문제 풀이 할 때 유용한 방식들을 정리한다. ### 공백을 포함해서 한줄 입력 받기 ```cpp scanf("%[^\n]", buf); ``` 위처럼 하면 된다. 그런데 주의할 점은, `scanf`의 특성상 문자열을 읽고 아닌 문자열이 왔을 때는 위치를 원복한다는 것이다. 그래서 그 다음 입력을 같은 방식으로 받으려고 한다면, `scanf("%c", dummy);`와 같이 추가적으로 한 문자를 `buffer`에서 제거해주는 방식이 필요하다. ## printf 사용 팁 특수한 출력 방식은 아래와 같은 것들이 있다. (잘 쓰지 않는) - %x, %X: 양의 16진수로 표현 - %o: 양의 8진수로 표현 - %f: `float`을 출력 - %lf: `double`을 출력 - %e: 지수 표현법으로 `float`을 출력 (예시: 1.200000e+00) - %le: 지수 표현법으로 `double`을 출력 - %g: %f와 %e중 짧은 것으로 표현 (사람이 읽기 쉬운 자연스러운 소수 표현법?) - %p: 포인터의 메모리 주소를 표현 (예시: 0x7ffcecb336ac) - %%: %를 표현 ### 참고 자료 - atomic0x90님의 블로그: --- --- id: "imported/ps/algorithm/graph/basic" title: "Graph Basic" description: "그래프는 다음과 같은 요소로 이루어져 있다." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/basic/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/basic/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Graph Basic ## Graph Basic 그래프는 다음과 같은 요소로 이루어져 있다. - 노드(Node): 정점(Vertex)라고도 함 - 간선(Edge) 그리고 다음과 같은 용어를 정의하자. - 경로(Path): 한 노드에서 그래프의 간선을 지나 다른 노드까지 가는 길 - 사이클(Cycle): 처음 노드와 마지막 노드가 같은 경로 - 연결 그래프(Connected Graph): 모든 노드에 연결 경로가 있을 경우 - 컴포넌트(Component): 그래프의 연결된 부분 부분을 의미 - 트리(Tree): 사이클이 없는 연결 그래프 - 방향 그래프(Directed Graph): 간선이 이동방향을 가짐 - 가중 그래프(Weighted Graph): 간선이 가중치를 가짐 - 길이로 해석 가능 - 이웃 노드(Neighbor / Adjacent Node) - 차수(Degree): 이웃 노드의 개수 - 간선의 개수가 `m`일 때, 차수의 합은 항상 `2m`이 된다. - 각 간선은 그 간선이 잇는 두 노드의 차수를 1씩 증가시키기 때문. 따라서 항상 짝수 - 정규 그래프(Regular Graph): 모든 노드의 차수가 상수 `d`로 같을 경우 - 완전 그래프(Complete Graph): 모든 노드의 차수가 `n-1`인 경우. 즉, 서로 다른 모든 두 노드 사이에 간선이 있는 경우 - 진입차수(Indegree): 그 노드로 향하는 간선의 개수 - 진출차수(Outdegree): 그 노드에서 시작하는 간선의 개수 ## 그래프의 표현 1. 인접 리스트 - `vector adj[N]` - `vector adj[N]`: 가중 그래프의 경우 2. 인접 행렬 - `int adj[N][N]` 3. 간선 리스트(Edge List) - `vector edges` - 1과 유사해보이지만 다르다. Edge만 저장한 것 - `vector edges`: 가중 그래프의 경우 ## 그래프의 순회 1. DFS ```cpp vector adj[N]; bool visited[N]; void dfs(int s) { if (visited[s]) return; visited[s] = true; for(auto u: adj[s]) { dfs(u); } } ``` 2. BFS 노드 `x`로부터 각 노드까지 걸리는 거리를 구한다고 해보자. 잘 안쓰이는 방식이긴 하지만(구현이 dfs보다 복잡해서) 아래처럼도 가능하다. ```cpp queue q; bool visited[N]; int distance[N]; void BFS(int x) { visited[x] = true; distance[x] = 0; q.push(x); while(q.size()) { int s = q.front(); q.pop(); for (auto u: adj[s]) { if (visited[u]) continue; visited[u] = true; distance[u] = distance[s] + 1; q.push(u); } } } ``` --- --- id: "imported/ps/algorithm/greedy/basic" title: "Greedy Basic" description: "수학 증명이 첨가된 PS 이론은 가젤님 블로그에 잘 정리되어 있다. 아래 링크에서 정리한 기본 이론이다." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/greedy/basic/" markdownUrl: "https://www.readiz.com/notes/algorithm/greedy/basic/index.md" recordFolder: "알고리즘/그리디" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%A6%AC%EB%94%94" --- # Greedy Basic ## Greedy 기본 이론 정리 수학 증명이 첨가된 PS 이론은 가젤님 블로그에 잘 정리되어 있다. 아래 링크에서 정리한 기본 이론이다. - 가젤님 Greedy 관련 글: ## 기본 원칙 ### Greedy stays ahead - 탐욕스러운 것이 항상 앞선다. - 매번 탐욕 알고리즘이 선택하는 것이 가상의 최적 알고리즘이 선택하는 것보다 항상 좋다는 것을 보임으로써 증명하는 기법 ### Certificate argument - 증거 논의 - 알고리즘이 답을 출력할 때, 그 답이 실제로 최적해라는 증거를 함께 제출하는 기법 ### Exchange argument - 교환 논의 - 최적해를 조금씩 바꾸어 탐욕 알고리즘의 답과 동일하게 만들되, 매번 나빠지지 않는다는 것을 보임으로써 알고리즘의 답이 최적해라는 것을 증명하는 방법 ## 그리디 & DP & 완전 탐색의 구별법 어딘가(피갤) 에서 설명해준 개념적 이해가 너무 좋아서 아래에 살짝 변형해서 인용해본다. 어떤 상태 S가 있고, 그 상태 S에 대해 풀고자 하는 문제가 f라고 해보자. - S: input - f(S): output 1. f(S)라는 값을 구하기 위해 확인해야하는 모든 중간 상태를 나열하고 그걸 다 확인해서 f(S)를 구하는게 brute-force 2. 구하는 과정에서 같은 중간 상태를 확인하는 경우가 많고 그 가짓수가 그렇게 크지 않다는걸 이용해서 중복으로 사용하는 중간 상태들은 저장(메모이제이션)해서 최적화하는게 DP 3. f(S)를 구하기 위해 알아야하는 상태들 중에 몇 가지만 봐도 되는데? 라는걸 증명하고 일부만 보는게 그리디 즉, 어떻게 보면 그리디는 **끝판왕**이다. `다익스트라`와 같은 알고리즘이 `DP` + `Greedy`라고 하는데, 이젠 좀 이해할 수 있게 되었다. --- --- id: "imported/ps/algorithm/math/fft" title: "FFT" description: "언젠가 정리할 알고리즘. 읽을만한 글들을 먼저 정리해 둔다." kind: "record" published: "2023-11-18T00:00:00.000Z" tags: ["math"] url: "https://www.readiz.com/notes/algorithm/math/fft/" markdownUrl: "https://www.readiz.com/notes/algorithm/math/fft/index.md" recordFolder: "알고리즘/수학" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%88%98%ED%95%99" --- # FFT ## FFT 언젠가 정리할 알고리즘. 읽을만한 글들을 먼저 정리해 둔다. - - --- --- id: "imported/blog/history/at/abc-326" title: "AtCoder Beginner Contest 326" description: "조건에 맞게 Takahashi가 계단을 탈지 엘베를 탈지 결정해주면 된다." kind: "record" published: "2023-11-14T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-326/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-326/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 326 # ABC 326 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-10-29-21-50-05.png) - 대회 참가 유무: Y - 최종 Performance: 1214 (Rank: 1852 / 11827) - Round 링크: [Top](https://atcoder.jp/contests/abc326) / [Tasks](https://atcoder.jp/contests/abc326/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | - | - | - | ## A - 2UP3DOWN - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V 조건에 맞게 Takahashi가 계단을 탈지 엘베를 탈지 결정해주면 된다. ## B - 326-like Numbers - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V 문제에서 항상 이런 숫자가 존재한다고 했기 때문에 그냥 구현하면 되었다. 증명하라고 하면 쉽지 않을 듯. ## C - Peak - 문제 링크: - Score: 300점 - 문제 예상 티어: Gold V N의 범위가 $N \le 3 \times 10^5$ 이고, 숫자의 범위 $A_i \le 10^9$ 이기 때문에, 정렬 후 `lower_bound`를 통해 적절한 구간 $(x, x + M)$안에 속한 원소들의 수를 구해주면 되는 문제였다. 만약 숫자의 범위가 작다면 완탐이 오히려 빠를 수도 있지만 이 문제의 경우에는 아니었다. ## D - ABC Puzzle - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold III 조금 까다로운 조건의 문제였다. 가지치기 dfs로 접근했는데 풀이가 뇌절의 뇌절을 거듭한 가운데 종료 5분전에 제출 할 수 있었다. 덕분에 다른 문제들도 풀만한 것들이었는데 풀 시간이 없었다.. 처음에 dfs를 2개로 나누어 생각했지만 이것은 오히려 패착이었다. 간단한 조건으로 푸는게 항상 옳다. 그냥 $x$ -> $x + 1$로 전이 시키고, $x$ == $N - 1$이 될 때 다음 row로 가게 하는 dfs가 유효했다. 다음에는 이런 유형 나올 때 너무 어렵게 접근하지 말자.. ## E - Revenge of "The Salary of AtCoder Inc." (Solved with Editorial) - 문제 링크: - Score: 450점 - 문제 예상 티어: Platinum V - 기댓값 이론 정리: [링크](https://www.readiz.com/blog/study/math/ev/) `기댓값 DP` 유형 이라고 한다. 문제 내에서 `Modular Inverse`도 요구하는 등 상당히 백준에서 일반적으로 접하기는 어려운 유형이다. 에디토리얼을 보고 풀이를 정리해본다. 우선, `기댓값`을 바로 구하기에는 난이도가 있다. `기댓값`을 구하기 이전에, 확률을 먼저 구해보도록 하자. $p_i$를 $A_i$엔이 지급되었을 때의 확률이라고 하자. 편의상 $p_0 = 1$로 정의하자. 그러면, 다음을 얻을 수 있다고 한다. - $p_i = \displaystyle \frac 1 N \sum_{j=0}^{i-1} p_j$ 위 수식을 처음부터 생각하기 어렵다. `small to large` 해보자. 만약 $N = 1$ 이라면 자명하게 $p_1 = 1$이다. $N = 2$라면 아래와 같은 경우가 있다. - $p_1 = \displaystyle \frac 1 2 (1) = \frac 1 2$ ... 처음 주사위를 던져서 1이 나왔을 확률 - $p_2 = \displaystyle \frac 1 2 (1 + \frac 1 2) = \frac 3 4$ ... (처음에 2가 바로 나왔을 확률) + (처음 주사위를 던져서 1, 그다음 2가 나왔을 확률) 모든 확률의 합이 $1$이 되지 않았다고 해서 당황할 필요는 없다. 지금 모든 확률이 독립인 경우를 다루고 있는 것이 아니다. $p_i$를 $A_i$엔이 지급되었을 때의 확률이라고 정의하고 있다. (실제 기댓값을 구하기 용이하도록) $N = 3$인 경우를 한번 더 생각해보자. - $p_1 = \displaystyle \frac 1 3 (1) = \frac 1 3$ - $p_2 = \displaystyle \frac 1 3 (1 + \frac 1 3) = \frac 4 9$ - $p_2 = \displaystyle \frac 1 3 (1 + \frac 1 3 + \frac 4 9) = \frac {16} {27}$ 여기서 $\frac 1 3$은 현재 $p_i$가 나오게 된 확률, 그리고 괄호 안에 들어간 숫자들의 합은 그 전 눈금들에 가 있는 상태들의 합이다. 수식이 어려울 뿐 `DP 상태전이`를 완벽하게 나타낸 표현이라고 볼 수 있다. 또한 위 수식은 누적합을 활용해 $O(N)$에 계산할 수 있다. 그리고 문제에서 최종적으로 우리가 구하고자 하는 값은 기댓값이고, 기댓값은 정의에 의해 아래처럼 구할 수 있다. - $E[X] = \displaystyle \sum_{i=1}^{N} x_ip_i$ 위 사실들을 조합하고, `Modular Inverse`를 이용해 최종적인 답을 구할 수 있다. 문제에서 나온 $998244353$ 라는 수는 `AtCoder`에서 좋아하는 소수인 듯 하다. 이 `체` 에서 $\displaystyle \frac 1 N$은 아래와 같이 구할 수 있다. `getInv(N)` 으로 구하면 된다. ```cpp ll fastPow(ll a, ll p) { ll res = 1LL; while (p) { if (p & 1LL) res = res * a % MOD; a = a * a % MOD; p >>= 1LL; } return res; } ll getInv(ll v) { return fastPow(v, MOD - 2); } ``` ## F - Robot Rotation (Upsolved) - 문제 링크: - Score: 525점 - 문제 예상 티어: Platinum V $N \le 80$ 조건에서 `MITM`의 냄새를 강하게 느꼈지만, 확신은 없었다. 방향이 2방향이라 양방향에서 출발하면 경우의 수가 $2^{40}$ 이고 이는 꽤 큰 수이기 때문.. 이 풀이가 유효한지 한번 도전해보려고 한다. (아니면 어쩔 수 없고..) 관찰해보면, 우선 처음 로봇의 방향의 양의 x축이다. 그리고 90도씩만 좌우로 회전을 하므로, $i$가 홀수인 항은 $y$좌표를, $i$가 짝수인 항은 $x$ 좌표를 결정짓는다는 사실을 먼저 관찰할 수 있다. 이렇게 되면 우선 각 축으로의 좌표가 $2^{40}$으로 줄어든다. 이 상태에서 `MITM`을 적용하면 $2^{20}$ 정도에 풀 수 있고 이는 해볼만 하다. 도착 좌표를 알고 있으므로 원점과, 도착 좌표 양쪽에서 `MITM`을 적용하면 풀린다. ...그런데 이렇게까지 하고 끝내면 사실 Gold I 정도의 난이도일 수 있다. 여기에 문제는 `경로 복원` 까지 요구한다. `MITM`을 하면서, 도달한 경로를 잘 저장했다가 복원해줘야 하는 로직이 추가된다. 다소 복잡한 `MITM`이고, 아래에 풀이를 정리해둔다. 시간복잡도는 $O(N 2^{N/4})$ 이 된다. (내 실제 풀이는 로그가 하나 더 붙긴하는데 대세에 지장은 없다) ```cpp ll N, X, Y; void solve() { scanf("%lld %lld %lld", &N, &X, &Y); vector dx, dy; for(int i = 0; i < N; ++i) { ll tmp; scanf("%lld", &tmp); if (i % 2 == 0) { dy.push_back(tmp); } else { dx.push_back(tmp); } } int dxsz1 = dx.size() / 2; int dysz1 = dy.size() / 2; int dxsz2 = dx.size() - dxsz1; int dysz2 = dy.size() - dysz1; // 1. 원점에서 출발하기 map px, py; int end = 1 << dxsz1; for(int cur = 0; cur < end; ++cur) { // 선택된 좌표들 ll cx = 0; for(int i = 0, p = 1; i < dxsz1; ++i, p <<= 1) { if (cur & p) { cx += dx[i]; } else { cx -= dx[i]; } } px.insert({cx, cur}); } end = 1 << dysz1; for(int cur = 0; cur < end; ++cur) { // 선택된 좌표들 ll cy = 0; for(int i = 0, p = 1; i < dysz1; ++i, p <<= 1) { if (cur & p) { cy += dy[i]; } else { cy -= dy[i]; } } py.insert({cy, cur}); } // 2. 뒤에서 출발하기 end = 1 << dxsz2; bool xflag = false; int x1, x2; for(int cur = 0; cur < end; ++cur) { // 선택된 좌표들 ll cx = X; for(int i = 0, p = 1; i < dxsz2; ++i, p <<= 1) { if (cur & p) { cx -= dx[dxsz1 + i]; } else { cx += dx[dxsz1 + i]; } } if (px.find(cx) != px.end()) { xflag = true; x1 = px[cx]; x2 = cur; break; } } end = 1 << dysz2; bool yflag = false; int y1, y2; for(int cur = 0; cur < end; ++cur) { // 선택된 좌표들 ll cy = Y; for(int i = 0, p = 1; i < dysz2; ++i, p <<= 1) { if (cur & p) { cy -= dy[dysz1 + i]; } else { cy += dy[dysz1 + i]; } } if (py.find(cy) != py.end()) { yflag = true; y1 = py[cy]; y2 = cur; break; } } if (xflag && yflag) { printf("Yes\n"); // x1: 2진수, dxsz1 // x2: 2진수, dxsz2, 거꾸로 vector x, y; for(int i = 0, p = 1; i < dxsz1; ++i, p <<= 1) { if (p & x1) x.push_back(1); else x.push_back(-1); } for(int i = 0, p = 1; i < dysz1; ++i, p <<= 1) { if (p & y1) y.push_back(1); else y.push_back(-1); } for(int i = 0, p = 1; i < dxsz2; ++i, p <<= 1) { if (p & x2) x.push_back(1); else x.push_back(-1); } for(int i = 0, p = 1; i < dysz2; ++i, p <<= 1) { if (p & y2) y.push_back(1); else y.push_back(-1); } _D("X: "); for(auto& item: x) _D("%d ", item); _D("\n"); _D("Y: "); for(auto& item: y) _D("%d ", item); _D("\n"); int last = 1; string ans = ""; bool isY = true; int cy = 0, cx = 0; for(int i = 0; i < N; ++i) { if (isY) { // y if (last > 0 && y[cy] > 0) { ans += "L"; last = 1; } else if (last > 0 && y[cy] < 0) { ans += "R"; last = -1; } else if (last < 0 && y[cy] > 0) { ans += "R"; last = 1; } else if (last < 0 && y[cy] < 0) { ans += "L"; last = -1; } ++cy; isY = false; } else { // x if (last > 0 && x[cx] > 0) { ans += "R"; last = 1; } else if (last > 0 && x[cx] < 0) { ans += "L"; last = -1; } else if (last < 0 && x[cx] > 0) { ans += "L"; last = 1; } else if (last < 0 && x[cx] < 0) { ans += "R"; last = -1; } ++cx; isY = true; } } printf("%s\n", ans.c_str()); } else { printf("No\n"); } } ``` ## G - Unlock Achievement (To be Upsolved?) - 문제 링크: - Score: 625점 - 문제 예상 티어: Platinum III Editorial을 보니 유량 문제라고 한다. Upsolving을 해볼까..? --- --- id: "imported/blog/history/at/abc-328" title: "AtCoder Beginner Contest 328" description: "상당히 웰논들이었다. F번도 웰논이라는데 못풀어서 아쉽다. 저번주 D번이랑도 느낌은 비슷했는데, 복기를 안해서 좀 아쉬웠다." kind: "record" published: "2023-11-11T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-328/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-328/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 328 # ABC 328 Upsolving ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-11-11-23-23-30.png) ~~파멸적 떡상~~ - 대회 참가 유무: Y - 최종 Performance: 1319 (Rank: 1639 / 10710) - Round 링크: [Top](https://atcoder.jp/contests/abc328) / [Tasks](https://atcoder.jp/contests/abc328/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | AC | AC | WA | - | 상당히 웰논들이었다. `F`번도 웰논이라는데 못풀어서 아쉽다. 저번주 `D`번이랑도 느낌은 비슷했는데, 복기를 안해서 좀 아쉬웠다. ## A - Not Too Hard - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V 그냥 대소비교 하는 기초 문제. ## B - 11/11 - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver II 제목만 보고 빼빼로 데이 기념 문제인가 했는데 그건 전혀 아니었고, 월 / 일이 모두 같은 숫자로 구성되는 경우들을 세는 문제였다. 조건 찾는게 좀 빡치는 문제. 요구사항의 복잡성만으로 `Silver 2`를 줄만한 문제인거 같다. ## C - Consecutive - 문제 링크: - Score: 300점 - 문제 예상 티어: Gold V $N, Q \le 3 \times 10^5$ 인 조건으로, 무조건 전처리가 필요함을 알 수 있다. 다행히도, 조금 읽어보면 빈출 유형인 `Prefix Sum`임을 알 수 있고, 쉽게 풀 수 있었다. `Prefix Sum`을 사용하면 각 쿼리를 $O(1)$로 처리할 수 있으므로, `TLE`를 피할 수 있다. ## D - Take ABC - 문제 링크: - Score: 425 - 문제 예상 티어: Gold IV 백준이 비슷한 문제가 있다고 한다. 정해는 여러가지가 있을 수 있겠는데, 나는 `Linked List`로 풀었다. `Stack` 써도 될듯 하다. - 문자열 폭발 문제: ## E - Modulo MST - 문제 링크: - Score: 475 - 문제 예상 티어: Gold II `MST`는 `크루스칼 알고리즘` 등을 사용하면 쉽게 구할 수 있는데, 문제는 `Modulo` 결과를 최소화 해야 한다. 따라서, `PQ`를 사용한 풀이는 불가하다. 다행히도, $N \le 8$이라서, 완전 탐색이 가능하다. `MST`에서 했던대로, 간선을 $N-1$개만 사용하면서, `Cycle`이 없도록 하는 것들을 완전 탐색 해서 최소가 되는 값을 구해주면 되겠다. `Cycle` 판정은 아래처럼 한다. ```cpp if (uf.findRoot(c.s) != uf.findRoot(c.e)) { // no cycle: 비용을 더해준다. uf.merge(c.s, c.e); csum += c.weight; csum %= K; } else { // cycle flag = false; break; } ``` ## F - Good Set Query (To be upsolved...) - 문제 링크: - Score: 525 - 문제 예상 티어: ??? 풀이 실패. 어디서 틀리는지는 알았지만 해결을 못했다. 이거도 백준에 비슷한 문제가 있다고 한다. 에디토리얼 보지 않고 한번 풀어볼 예정. - 교수님은 기다리지 않는다 문제: ## G - Cut and Reorder (To be upsolved?) - 문제 링크: - Score: 575 - 문제 예상 티어: ??? 업솔빙 할지 안할지 잘 모르겠다. 나름 전형적인 `DP` 문제이지만, 문제 조건 때문에 `DP 최적화`가 붙어야 한다고 한다. 연습삼아 한번 풀어볼까... (비트 DP?) --- --- id: "imported/ps/algorithm/math/fastpowmodularinverse" title: "빠른 거듭제곱과 Modular Inverse" description: "일반적으로 특정 수를 N 제곱하는데 걸리는 시간은 O(N) 이지만, 간단한 수학으로 이를 O(\\log N)에 마칠 수 있다. 이는 거듭제곱 하고자 하는 수를 이진수로 보고, binary lifting 하는 것이라고 보면 된다." kind: "record" published: "2023-11-11T00:00:00.000Z" tags: ["math"] url: "https://www.readiz.com/notes/algorithm/math/fastpowmodularinverse/" markdownUrl: "https://www.readiz.com/notes/algorithm/math/fastpowmodularinverse/index.md" recordFolder: "알고리즘/수학" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%88%98%ED%95%99" --- # 빠른 거듭제곱과 Modular Inverse ## 빠른 거듭제곱과 Modular Inverse 일반적으로 특정 수를 $N$ 제곱하는데 걸리는 시간은 $O(N)$ 이지만, 간단한 수학으로 이를 $O(\log N)$에 마칠 수 있다. 이는 거듭제곱 하고자 하는 수를 이진수로 보고, `binary lifting` 하는 것이라고 보면 된다. 예를 들어, $a$의 $13$ 제곱을 하고자 한다면, 이는 이진수로 $1101_{(2)}$이므로, - $1$ 제곱 한 수 - $4$ 제곱 한 수 - $8$ 제곱 한 수 를 모두 곱하면 된다. $2^n$ 제곱 한 수는 같은 수를 두번 곱함으로써 빠르게 구해진다. ($8$제곱한 수는 $4$제곱한 수를 두번 곱하면 된다) 따라서 아래와 같은 알고리즘 작성이 가능하다. $a^p$를 구하는 알고리즘이다. 기하급수적으로 커지므로, `MOD`로 나머지만 들고다니도록 많이 구현하는 편. ```cpp ll fpow(ll a, ll p) { ll res = 1LL; while (p) { if (p & 1LL) res = res * a % MOD; a = a * a % MOD; p >>= 1LL; } return res; } ``` ## Modular Inverse 오일러 공식을 사용하면, $p$가 소수일 때, $n^{-1} = n^{p-2}$가 성립한다. 일반적으로는 실수오차 때문에 짜증나는 분수를 신나게 계산할 수 있다. 앳코더에서 자주 사용한다. 일반적으로 주어지는 소수 $p$가 크기 때문에, 위의 빠른 거듭제곱 공식과 같이 사용해야 한다. 아래 백준 문제에 왜 이 방식을 쓰는지 자세히 설명되어 있다. - Sum 문제: ```cpp ll getInv(ll v) { return fastPow(v, MOD - 2); } ``` ## Time Complexity - $O(\log N)$. 일종의 Binary Lifting 이다. --- --- id: "imported/blog/history/at/abc-327" title: "AtCoder Beginner Contest 327" description: "상당히 망했다. D는 문제 이해하는데 시간이 너무 오래 걸린 뒤로 graph로 변환하는 문제라는 감이 왔지만 풀이에 실패했고, E는 greedy하게 접근해봤는데 이게 아닌듯 하다. 업솔빙 필수." kind: "record" published: "2023-11-06T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-327/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-327/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 327 # ABC 327 Upsolving - 대회 참가 유무: Y - 최종 Performance: 767 (Rank: 4218 / 11283) - Round 링크: [Top](https://atcoder.jp/contests/abc327) / [Tasks](https://atcoder.jp/contests/abc327/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | WA | WA | - | - | 상당히 망했다. D는 문제 이해하는데 시간이 너무 오래 걸린 뒤로 `graph`로 변환하는 문제라는 감이 왔지만 풀이에 실패했고, E는 `greedy`하게 접근해봤는데 이게 아닌듯 하다. 업솔빙 필수. ## A - ab - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze IV 인접문자열에 대해서 간단한 처리를 해주면 풀리는 문제이다. ## B - A^A - 문제 링크: - Score: 200점 - 문제 예상 티어: Silver V $A^A$는 상당히 빠르게 커지는 수이기 때문에, $A=1$부터 시작해서 타겟 수보다 작거나 같을 때까지 완전탐색을 해도 어려움 없이 풀리는 문제이다. 다만, `overflow`에 주의해야 할 것. ## C - Number Place - 문제 링크: - Score: 250점 - 문제 예상 티어: Silver I 스도쿠. 각 구역별로 1\~9가 다 등장하는지 체크하면 되는데, 문제는 3x3 영역에 대한 판단이 될 것이다. 이것은 $cnt[i/3][j/3][k]$ 배열을 만들어서 체크하면 가장 간단하게 체크가 가능하다. ## D - Good Tuple Problem (To be upsolved) - 문제 링크: - Score: 400점 - 문제 예상 티어: ??? $A$, $B$를 잇는 간선으로 그래프를 그려서 해결할 수 있는데, 결국 cycle이 있으면 안된다는 사실을 알 수 있다. 여기까지는 쉽게 떠올릴 수 있는데 문제는 반례가 존재한다. cycle이 짝수일 경우에는 cycle이 있더라도 `Good Tuple`인 경우가 있기 때문. ## E - Maximize Rating (To be upsolved..) - 문제 링크: - Score: 475점 - 문제 예상 티어: ?? 수학 문제. 어떻게 하면 최대 $N=5000$번의 대회 중 어떤 것을 참가할지 빠르게 결정할 수 있을까? $O(2^N)$ 접근은 당연히 `TLE`이고... ## F - Apples (To be upsolved..) - 문제 링크: - Score: 550점 - 문제 예상 티어: ?? Lazy Seg 관련 문제라고 한다. Upsolving 예정. ## G Skip --- --- id: "imported/blog/study/math/ev" title: "Expected Value" description: "문제 풀이 사이트 AtCoder에서 종종 출제되는 기댓값에 대한 이론적 정리." kind: "record" published: "2023-11-04T00:00:00.000Z" tags: ["math","probability"] url: "https://www.readiz.com/blog/study/math/ev/" markdownUrl: "https://www.readiz.com/blog/study/math/ev/index.md" recordFolder: "공부/수학" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2F%EC%88%98%ED%95%99" --- # Expected Value 문제 풀이 사이트 `AtCoder`에서 종종 출제되는 기댓값에 대한 이론적 정리. ## Expected Value 기댓값은 영어로 `Expected Value` 이 번역된 말인데, 흔히들 `EV`로 줄여서 쓰는 듯 하다. 그래서 전기차(?) 랑 헷갈릴 때가 간혹 있다. 확률변수 $X$에 대한 기댓값은 보통 수학적으로 $E[X]$라고 나타낸다. 수식으로는, - $E[X] = \displaystyle \sum_{i=1}^{n} x_iP_i$ 이는 이산(Discrete) 확률 분포라고 하고, 연속으로는 적분으로 정의한다. - $E[X] = \displaystyle \int xf(x)\,dx$ PS 분야에서는 DP 등과 엮여서 보통 Discrete한 경우를 많이 다루기 때문에, 이 부분을 집중적으로 살펴보자. ## EV의 예시 아래와 같이 기초적인 경우들에 대해서 기댓값을 실제로 계산하는 과정을 살펴보자. Discrete의 경우를 살펴본다. ### 주사위 눈금의 기댓값 Case 가장 많은 예시로 나오는 Case이다. 모든 면이 나올 확률이 $\displaystyle \frac 1 6$로 같기 때문에, 아래와 같이 계산된다. - $E[X] = \displaystyle \sum_{i=1}^{6} x_iP_i = \displaystyle \frac 1 6 \sum_{i=1}^6 x_i = \displaystyle \frac 1 6 (1+2+3+4+5+6) = 3.5$ ### 동전 앞면의 수 Case 확률 변수 $X$를 동전 2개를 동시에 던졌을 때 나온 앞면의 수로 정의한다. 이 경우, $X = {0, 1, 2}$가 되고, 각 확률이 아래와 같다. - $P[X = 0] = \frac 1 4$ - $P[X = 1] = \frac 1 2$ - $P[X = 2] = \frac 1 4$ 따라서, 구하고자 하는 기댓값 $E[X] = 0 * 1/4 + 1 * 1/2 + 2 * 1/4 = 1$이다. 이렇게, 각 case의 확률이 달라지는 경우도 존재한다. ### 동전 던지는 횟수의 기댓값 Case 만약 어떤 사람이 앞면이 나올 때까지 동전을 반복해서 던진다면 동전을 던지게 되는 횟수의 기댓값은 어떻게 될까? 이는 수식보다도 아래처럼 case를 나누어 생각하는 것이 시작하기에 쉬울 것이다. - 1번 만에 나올 확률: $\displaystyle \frac 1 2$ - 2번 만에 나올 확률: $\displaystyle \frac 1 2 \times \frac 1 2$ - 3번 만에 나올 확률: $\displaystyle (\frac 1 2)^3 $ 그리고 이는 무한히 반복된다. 각 case에서 동전을 던지는 횟수가 1씩 증가하게되므로, 기댓값은 아래와 같이 계산된다. - $E[X] = \displaystyle \sum_{n=1}^\infty n (\frac 1 2)^n$ 이는 멱급수로, 구하고자 하는 값을 $A$라고 했을 때, $\frac 1 2 A$를 계산해서 두 식을 빼주면 간단하게 값을 계산할 수 있다. 값은 $2$가 나온다. ### 주사위 던지는 횟수의 기댓값 Case 위 예시에서는 성공과 실패 확률이 같아서 계산하기가 너무 쉬웠다. 아주 약간 난이도를 높여보자. 만약 어떤 사람이 주사위 눈금이 1이 나올 때까지 주사위를 계속해서 던진다면 주사위를 던지는 횟수의 기댓값은 어떻게 될까? 역시 작은 경우부터 생각해보도록 하자. - 1번 만에 나올 확률: $\displaystyle \frac 1 6$ - 2번 만에 나올 확률: $\displaystyle \frac 5 6 \times \frac 1 6$ - 3번 만에 나올 확률: $\displaystyle \frac 5 6 \times \frac 5 6 \times \frac 1 6$ 그리고 이는 무한히 반복된다. 각 case에서 주사위를 던지는 횟수가 1씩 증가하게되므로, 기댓값은 아래와 같이 계산된다. - $E[X] = \displaystyle \sum_{n=1}^\infty n (\frac 5 6)^{n-1} \frac 1 6$ 이를 간단한 C++ 프로그램으로 작성해서 계산해보면 아래와 같다. ```cpp void solve() { double ret = 0.0; double cur = 1.0; for(int n = 1; n < 100; ++n) { ret += cur * n / 6.0; cur *= 5.0 / 6.0; } printf("%.15lf\n", ret); } ``` 이를 계산해보면 해당 값은 $6$로 수렴한다는 것을 알 수 있다. (100회 반복 시 약 $5.999998$이 나온다) 즉, 주사위를 1이 나올 때까지 던지게 되는 횟수의 기댓값은 $6$이라는 것이다. ### 이전 기댓값과의 관계로 정의하기 이전 기댓값과의 관계를 통해 일종의 `DP` 처럼 `전이(transition)` 개념을 사용할 수 있다. 만약 $E[X]$가 $E[Y]$와 $E[Z]$ 로부터 전이되어 구성될 수 있다고 하면, 아래처럼 수식으로 나타내서 구할 수 있다. - $E[X] = P_Y E[Y] + P_Z E[Z]$ 여기서, $P_Y$와 $P_Z$는 각각 $Y$, $Z$에서 $X$로 전이될 확률을 나타내며, 전체 확률(여기서는 $P_Y + P_Z$)은 1이 된다. #### 동전 앞면 나올 때까지 던지는 Case 위 수식을 가지고, 우선 비교적 간단한 동전의 앞면이 처음 나올 때까지 던지는 경우를 살펴보자. 여기서 $E[Y]$를 $Y$번 던졌을 때 1이 단 한번도 안나올 경우의 기댓값이라고 정의해보자. 그러면, $E[X]$는 2가지 case에서부터 전이가 됨을 알 수 있다. 1. $E[Y]$ 에서 $\frac 1 2$ 확률로 $E[X]$로 전이 - 이 경우에는 던지는 횟수가 1 증가한다. 2. $E[X]$ 에서 $\frac 1 2$ 확률로 $E[X]$로 전이 - 이 경우는 던지는 횟수가 증가하지 않는다. 자기 자신으로의 전이이다. 이를 수식으로 정리해서 한번 구해보도록 하자. - $E[X] = \displaystyle \frac 1 2 (E[Y] + 1) + \frac 1 2 E[X]$ - $\displaystyle \frac 1 2 E[X] = \frac 1 2 (E[Y] + 1)$ - $E[X] = E[Y] + 1$ $E[Y]$는 어떻게 구할까? 이는 간단하게 아래 수식으로 구해진다. - $E[Y] = \displaystyle \sum_{i=1}^\infty (\frac 1 2) ^ n = 1$ 즉, $E[X] = 2$가 된다. #### 1 나올 때까지 주사위를 던지는 Case 위와 거의 유사하다. 확률 계산이 조금 달라진다. 1. $E[Y]$ 에서 $\frac 1 6$ 확률로 $E[X]$로 전이 - 이 경우에는 던지는 횟수가 1 증가한다. 2. $E[X]$ 에서 $\frac 5 6$ 확률로 $E[X]$로 전이 - 이 경우는 던지는 횟수가 증가하지 않는다. 자기 자신으로의 전이이다. 이를 수식으로 정리해서 한번 구해보도록 하자. - $E[X] = \displaystyle \frac 1 6 (E[Y] + 1) + \frac 5 6 E[X]$ - $\displaystyle \frac 1 6 E[X] = \frac 1 6 (E[Y] + 1)$ - $E[X] = E[Y] + 1$ 또 이 경우의 $E[Y]$는 아래와 같다. - $E[Y] = \displaystyle \sum_{i=1}^\infty (\frac 5 6) ^ n = 5$ 즉, $E[X] = 6$가 된다. --- --- id: "imported/blog/history/at/atdp" title: "AtCoder DP Contest" description: "아주 교육적인 DP 문제 모음집이다. 여기서는 간략하게 풀이를 정리해본다." kind: "record" published: "2023-11-01T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/atdp/" markdownUrl: "https://www.readiz.com/blog/history/at/atdp/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder DP Contest # AtCoder Educational DP Contest - Round 링크: [Top](https://atcoder.jp/contests/dp) / [Tasks](https://atcoder.jp/contests/dp/tasks) - 소멤 블로그 풀이: [링크](https://infossm.github.io/blog/2019/05/15/Education-Dp-Contest-Solution/) 아주 교육적인 DP 문제 모음집이다. 여기서는 간략하게 풀이를 정리해본다. ## A, B - Frog 1, 2 - 문제 링크(A): - 문제 링크(B): - 문제 예상 티어: Min - Silver III / Max - Silver I $DP[i]$가 최소 비용을 들고 있게끔 하면 되는 유형. 계단 오르는 문제랑도 비슷하다. B번의 경우에는 최대 $K \le 100$ 까지 이동 가능하다는 조건이 있다. B번에서 달라지는 것은 $i$가 증가할 때마다 최대 $K$ 이전 `index`까지 확인해서 들고오면 된다는 점. ## C - Vacation - 문제 링크: - 문제 예상 티어: Silver I 이번에는 `마지막 상태`를 같이 저장하고 있을 필요가 있다. 왜냐면, 같은 활동을 2일 연속 하지 못하기 때문에, $i$ 번째 날의 활동을 하면서 얻은 `max` 행복도와 더불어, 그것을 달성했을 때 어떤 활동을 했었는지가 저장이 되어야 하는 것. 이런 유형에서는 보통 DP의 `차원`을 늘려서 해결하곤 한다. $DP[k][i]$를 선언하여, 각 값이 i번째날에서의 `max` 행복도를 저장하되 그 마지막 활동이 `k`인 경우라고 생각하면 된다. ## D, E - Knapsack 1, 2 - 문제 링크(D): - 문제 링크(E): - 문제 예상 티어: Min - Gold V / Max - Gold III 이름부터 대놓고 유형을 암시한다. 일반적으로 `Knapsack` 유형은 무게의 상한이 $W \le 10^6$ 정도로 주고 그 무게 기준으로 생각할 수 있게끔 해서 풀리는데, D번은 완전 그 유형이고, E번은 한번 꼬았다. E번의 경우에는 $W \le 10^9$ 이기 때문에, 오히려 $V \le 10^3$은 점을 이용하면 된다. 문제에서 $N \le 100$ 이기 때문에, 최대 행복도의 제한은 $V \le 10^5$가 되고, 해당 $V$에서의 최소 $W$를 저장해둔 후, 나중에 max $V$를 보면서 $W$가 유효한지(최대 제한에 안터졌는지) 확인하면 된다. 아래 BOJ 문제에서 많이 당했었다. - BOJ 7579번 "앱" 문제: ## F - LCS - 문제 링크: - 문제 예상 티어: Gold I 역시 대표 유형. 관련해서는 아래에 정리해두었다. - LCS: [링크](https://www.readiz.com/notes/algorithm/dp/lcs/) ## G - Longest Path - 문제 링크: - 문제 예상 티어: Gold II Tree DP 유형하고 유사한 문제. 풀이는 여러 방법이 존재하는 것 같지만 일단 일반적인 Tree 처럼 풀 수는 없다. (방향이 있는 그래프) `indegree`가 0인 정점들을 출발점으로 잡고 시작한 다음, `leaf`에 도달했을 경우부터 시작해서 `depth`를 채워주는 방식으로 하면, 중복방문을 피하면서 모든 정점의 `depth`를 채울 수 있다. 이들 중 `max` 값을 구하면 그래프에서의 가장 긴 경로의 거리가 된다. ```cpp struct Node { int depth; int inCnt; vector edges; } n[100010]; int dfs(int i) { if (n[i].edges.size() == 0) { // leaf return 0; } if (n[i].depth != 0) return n[i].depth; for(auto& t: n[i].edges) { int res = dfs(t); n[i].depth = max(n[i].depth, res + 1); } return n[i].depth; } void solve() { int ans = 0; for(int i = 1; i <= N; ++i) { if (n[i].inCnt == 0) { ans = max(ans, dfs(i)); } } printf("%d", ans); } ``` ## H - Grid 1 - 문제 링크: - 문제 예상 티어: Gold V 빈출 유형. Grid에서의 이동 방향은 아랫 방향과 우측 뿐이기 때문에, 역으로 경우의 수는 위쪽과 왼쪽에서 오는 것의 합으로 구해주면 된다. 다만, 현재 위치가 벽일 경우 그 값을 0으로 초기화하는 것은 잊어서는 안된다. ## I - Coins - 문제 링크: - 문제 예상 티어: Gold III 흔히 `확률 DP`라고 불리는 유형인 듯 하다. 단계별로 생각해보자. 1. 앞면이 0개인 경우의 확률 - $(1 - p_1)(1 - p_2)(1 - p_3)...(1 - p_N)$ 2. 앞면이 1개인 경우의 확률 - $p_1(1 - p_2)(1 - p_3)...(1 - p_N) + (1 - p_1)p_2(1 - p_3)...(1 - p_N) + ... + (1 - p_1)(1 - p_2)(1 - p_3)...(1 - p_{N-1})p_N$ 3. 앞면이 N개인 경우의 확률 - $p_1p_2p_3...p_N$ 그런데, 이것을 한번에 다 계산하기엔 연산량이 너무 많다. 이를 줄이기 위해 `DP`의 주요 풀이법 중 하나인 작은 경우부터 시작해보는 기법을 적용해볼 수 있다. $DP[i][j]$를 $i$번째 동전까지를 고려했을 때 $j$개가 앞면인 확률로 정의하자. 그러면 정의에 의해, $DP[1][0] = 1 - p_1$, $DP[1][1] = p_1$ 이 된다. 이 상태로부터 시작하면, 상태 전이를 시킬 수 있다. $i$가 작은 경우부터 한번 따라가보자. 1. i = 2인 경우 - $DP[2][0] = DP[1][0] \times (1 - p_2)$ - $DP[2][1] = DP[1][0] \times p_2 + DP[1][1] \times (1 - p_2)$ - $DP[2][2] = DP[1][1] \times p_2$ 2. i = 3인 경우 - $DP[3][0] = DP[2][0] \times (1 - p_3)$ - $DP[3][1] = DP[2][0] \times p_3 + DP[2][1] \times (1 - p_3)$ - $DP[3][2] = DP[2][1] \times p_3 + DP[2][2] \times (1 - p_3)$ - $DP[3][3] = DP[2][2] \times p_3$ 여기까지 보면 규칙이 보인다. 전부 다 앞면인 경우와 전부 다 뒷면인 경우를 제외하면, 확률 상태전이가 $j$와 $j-1$ 두 곳에서 올 수 있다. 이를 통해 구현할 수 있다. ```cpp // 초기조건 DP[1][0] = 1.0 - p[1]; DP[1][1] = p[1]; for(int i = 2; i <= N; ++i) { for(int j = 0; j <= i; ++j) { if (j == 0) { DP[i][0] = DP[i - 1][0] * (1 - p[i]); } else if (j < i) { DP[i][j] = DP[i - 1][j] * (1 - p[i]) + DP[i - 1][j - 1] * p[i]; } else { DP[i][j] = DP[i - 1][j - 1] * p[i]; } } } ``` 최종적으로 구하고자 하는 것은 앞면이 뒷면보다 많이 나왔을 때인데, 이것은 $DP[N][N/2+1]$ \~ $DP[N][N]$ 의 합을 구하면 계산된다. ## J - Sushi - 문제 링크: - 문제 예상 티어: Platinum V - nicotina04 님의 설명: - 기댓값 이론 정리: [링크](https://www.readiz.com/blog/study/math/ev/) 기댓값 DP. `J`번은 풀이에 실패했다. 핵심은 $DP[i][j][k]$를 특정 상태에서의 기댓값으로 정의하는데, $i$, $j$, $k$는 각각 초밥이 1개, 2개, 3개 남은 접시의 수로 정의해서 상태공간을 줄이는 것이 아이디어의 핵심이다. I번에서는 $i$개의 동전을 고려한 상태에서 $i+1$개의 동전을 고려한 상황으로 전이를 했었다. 이와 유사하게 할 수 있다. $N=4, i=1, j=1, k=1$ 인 상황을 가정해보자. 0. 해당하는 상황은 $DP[1][1][1]$로 볼 수 있다. 1. $p = \frac 1 4$로 이미 아무것도 없는 접시를 고른다. 상태가 자기 자신으로 전이된다. 2. $p = \frac 1 4$로 초밥이 1개 있는 접시를 고른다. 상태가 $DP[0][1][1]$로 전이된다. 3. $p = \frac 1 4$로 초밥이 2개 있는 접시를 고른다. 상태가 $DP[2][0][1]$로 전이된다. 4. $p = \frac 1 4$로 초밥이 3개 있는 접시를 고른다. 상태가 $DP[1][2][0]$로 전이된다. 그런데 위처럼 생각하다보니 문제가 하나 있다. 바로 1번 상황인데, 이 경우 자기 자신을 참조하는 상황이 된다. 그렇지만, 위 링크에 정리한 이론처럼, 전이되어 오는 확률들을 곱해서 계산하게 되므로 수식을 전개하는데에 문제는 없다. 위 4가지 case를 한번에 정리하면 아래와 같이 된다. - $DP[1][1][1] = \frac 1 4 (DP[1][1][1] + DP[0][1][1] + DP[2][0][1] + DP[1][2][0]) + 1$ 이 수식을 전개해서 풀면 된다. 결국은 이 케이스를 확장해서 일반화한 수식으로 계산하면 문제가 풀린다. - $DP[i][j][k] = \frac {N - i - j - k} N DP[i][j][k] \newline \quad\quad\quad\quad\quad\quad + \frac i N DP[i - 1][j][k] \newline \quad\quad\quad\quad\quad\quad + \frac j N DP[i + 1][j - 1][k] \newline \quad\quad\quad\quad\quad\quad + \frac k N DP[i][j + 1][k - 1] \newline \quad\quad\quad\quad\quad\quad + 1$ ## K - Stones - 문제 링크: - 문제 예상 티어: Gold I - Editorial (일본어): 풀이 실패 2. 상당히 알려진 문제 유형이지만, 이 문제를 접하기 전까지 게임이론 자체에 대해서 정리를 아예 하지 않았었다. 위 에디토리얼 글이 상당히 잘 되어 있어서, 해당 글을 바탕으로 정리를 좀 해보려고 한다. 문제를 단순화해서, K개의 돌무덤에서 2명의 플레이어가 1개, 2개, 3개 단위로만 돌을 빼낼 수 있다고 가정하고 문제를 생각해보자. (문제 조건과 동일하게 더 이상 돌무덤에서 돌을 가져가지 못하는 플레이어의 패배이다) 이 문제의 해법은 마치 `베스킨라빈스 31` 게임과 유사한데, 아래와 같음이 알려져 있다. - K가 4의 배수라면, 후수 필승 - K가 4의 배수가 아니라면, 선수 필승 게임과정을 생각해보면, 각 상태에서 선공이든 후공이든 남은 돌의 수를 4의 배수로 맞추게 되면, 상대가 돌을 몇개를 가져가든 승리할 수 있음을 알 수 있다. 마지막 상황을 생각한 다음 사고를 확장하면 된다. - $K = 0$, 현재 턴의 플레이어의 패배이다. (가져갈게 없음) - $K \le 3$, 현재 턴의 플레이어의 승리! 다 가져가면 된다. - $K = 4$, 현재 턴의 플레이어의 패배이다. 어떻게 가져가도 패배하게 된다. - $K = 5$, 현재 턴의 플레이어의 승리! 4가 패배하는 flag이므로, 1개만 가져가면 된다. - $K = 6, 7$, 현재 턴의 플레이어의 승리! 5일 때의 전략과 마찬가지로 하면 된다. - $K = 8$, 현재 턴의 플레이어의 패배이다. $K = 4$와 유사하게, 어떻게 가져가더라도 $K = 4$로 전이되게 되어 패배하게 된다. 이 역시 일종의 `DP`로, $DP[0]$ 부터 시작해서 전이시키면서 구할 수 있다. ... How? --- --- id: "imported/ps/algorithm/dp/lcs" title: "LCS" description: "LCS는 Longest Common Subsequence의 약자로, 두 문자열에서 최대로 공통되는 부분 중 제일 긴 것을 찾는다. 알고리즘은 평범한 O(N^2) 인 대표 DP 유형이지만, 구현 난이도가 살짝 까다롭기 때문에, 정리해본다." kind: "record" published: "2023-10-31T00:00:00.000Z" tags: ["DP","PS","LCS"] url: "https://www.readiz.com/notes/algorithm/dp/lcs/" markdownUrl: "https://www.readiz.com/notes/algorithm/dp/lcs/index.md" recordFolder: "알고리즘/동적 계획법" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EB%8F%99%EC%A0%81+%EA%B3%84%ED%9A%8D%EB%B2%95" --- # LCS ## LCS - [emplam27 님의 정리 글](https://velog.io/@emplam27/%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-%EA%B7%B8%EB%A6%BC%EC%9C%BC%EB%A1%9C-%EC%95%8C%EC%95%84%EB%B3%B4%EB%8A%94-LCS-%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-Longest-Common-Substring%EC%99%80-Longest-Common-Subsequence) LCS는 Longest Common Subsequence의 약자로, 두 문자열에서 최대로 공통되는 부분 중 제일 긴 것을 찾는다. 알고리즘은 평범한 $O(N^2)$ 인 대표 DP 유형이지만, 구현 난이도가 살짝 까다롭기 때문에, 정리해본다. 아래 코드는 흔히 얘기하는 `LCS`는 아니고, Longest Common Substring을 구하는 코드인데, 최종적으로 구하려고 하는 Longest Common Subsequence보다 구현이 간단하기 때문에 짚고 넘어간다. ```cpp for(int a = 1; a <= lena; ++a) { for(int b = 1; b <= lenb; ++b) { if (A[a] == B[b]) DP[a][b] = DP[a-1][b-1] + 1; else DP[i][j] = 0; } } ``` 사실 이 경우에는 굳이 2차원 `DP` 배열을 쓸 필요도 없다. 1차원으로도 충분하기 때문에.. 다만, 굳이 2차원으로 만든 이유는 관찰을 위해서이다. 이 DP 테이블의 결과를 보게 되면, 중복되는 문자열을 만나게 되면 대각선 우하단 방향으로 이동하는 것을 알 수 있다. 또한, 중간에 서로 다른 문자열이 나오자마자 칼같이 DP 테이블을 0으로 만들어 주는 것이 포인트이다. 여기서 사고를 확장해보자. 0으로 만드는 이유는 `연속`된다는 조건이 있기 때문이다. 그렇다면 `연속`된다는 조건이 없을 때는 어떻게 될 것인가? 이 경우 현재까지의 최대 공통 부분 길이가 유지가 되어야 한다. 그리고 이 유지는 x축으로 해야할 수도 있고, y축으로 해야할 수도 있기 때문에 x, y축에 대한 `max` 값을 구해주면 되겠다. 그래서 위 `DP` 식이 아주 약간 바뀐다. 이 부분만 수정을 하게 되면, 코드가 Longest Common Subsequence를 구하는 코드로 변하게 된다. ```cpp for(int a = 1; a <= lena; ++a) { for(int b = 1; b <= lenb; ++b) { if (A[a] == B[b]) DP[a][b] = DP[a-1][b-1] + 1; else DP[a][b] = max(DP[a-1][b], DP[a][b-1]); } } ``` 잘 동작할까? 이 의문을 해소하기 앞서서, $DP[lena][lenb]$ 로는 가장 긴 LCS의 길이만을 알 수 있을 뿐인데, 만약 이러한 LCS 중 1개를 출력하라는 문제를 만나면 어떻게 풀까? 위 코드가 잘 동작하는지 알아보기 위해 전체적인 구조 이해와 문제 해결을 위해 아래와 같은 DP Table 결과를 예시로 보자. 가로축과 세로축은 각각 `abc`와 `axbycz`의 문자열을 할당했고, 이들의 LCS는 $3$임을 바로 알 수 있을 것이다. | - | - | a | b | c | | :---: | :-: | :-: | :-: | :-: | | **-** | 0 | 0 | 0 | 0 | | **a** | 0 | 1 | 1 | 1 | | **x** | 0 | 1 | 1 | 1 | | **b** | 0 | 1 | 2 | 2 | | **y** | 0 | 1 | 2 | 2 | | **c** | 0 | 1 | 2 | 3 | | **z** | 0 | 1 | 2 | 3 | LCS를 하나 구하기 위해 우리가 주목해야할 부분은 `대각선` 이다. 아래와 같은 프로세스로 문자열을 찾는다. 0. 우하단 좌표인 $(lena, lenb)$ 부터 시작한다. 1. 왼쪽 혹은 위쪽으로 숫자가 같은 지점까지 쭉 따라간다. - 위 표에서는 $(z,c)$ 으로 시작해서, $(c,c)$ 에서 처음으로 멈추게 되겠다. 2. 왼쪽 혹은 위쪽에 더 이상 같은 숫자가 없으면, `좌상단` 방향, 즉 $(x - 1, y - 1)$ 좌표에 있는 숫자가 $(x, y)$ 좌표의 숫자보다 $1$ 작은 수가 된다. 그 위치에서의 문자열을 기록하고, 대각선 방향으로 이동한다. 3. 이를 반복하여 최종적으로 숫자가 0이 될 때까지 저장된 문자열을 읽으면, 그것이 `LCS`가 된다. 2번이 조금 이해가 안될 수 있는데, 맨 처음 코드를 다시 올려보면, 문자열이 같을 때 $(x+1, y+1)$ 방향으로 1만큼 더하면서 전진했다. 이를 역으로 한 것이라고 보면 된다. ## 예시 구현 코드 - AtCoder Educational DP Contest F번: 두 문자열을 받아 가장 긴 LCS를 출력하는 문제이다. ```cpp char A[3010]; char B[3010]; char C[3010]; int DP[3010][3010]; void solve() { scanf("%s %s", &A[1], &B[1]); int lena = strlen(&A[1]); int lenb = strlen(&B[1]); for(int b = 1; b <= lenb; ++b) { for(int a = 1; a <= lena; ++a) { if (A[a] == B[b]) { DP[b][a] = DP[b - 1][a - 1] + 1; } else { DP[b][a] = max(DP[b - 1][a], DP[b][a - 1]); } } } // LCS 길이 = DP[lenb][lena] int ca = lena, cb = lenb; int cp = 0; while(DP[cb][ca] != 0) { if (DP[cb - 1][ca] == DP[cb][ca]) { --cb; } else if (DP[cb][ca - 1] == DP[cb][ca]) { --ca; } else if (DP[cb - 1][ca - 1] + 1 == DP[cb][ca]) { C[cp++] = B[cb]; cb--; ca--; } } int clen = cp; for(int i = cp - 1; i >= 0; --i) { // 출력은 역순으로 printf("%c", C[i]); } printf("\n"); } ``` --- --- id: "imported/blog/history/at/abc-325" title: "AtCoder Beginner Contest 325" description: "문자열 입력을 받아 뒤에 san을 출력하면 되는 간단한 문제." kind: "record" published: "2023-10-29T00:00:00.000Z" tags: ["PS","atcoder"] url: "https://www.readiz.com/blog/history/at/abc-325/" markdownUrl: "https://www.readiz.com/blog/history/at/abc-325/index.md" recordFolder: "풀이 기록/AtCoder" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FAtCoder" --- # AtCoder Beginner Contest 325 # ABC 325 Upsolving - 대회 참가 유무: Y - 최종 Performance: 1343 (Rank: 1255 / 9155) - Round 링크: [Top](https://atcoder.jp/contests/abc325) / [Tasks](https://atcoder.jp/contests/abc325/tasks) - 문제별 결과 | A | B | C | D | E | F | G | | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | AC | AC | AC | WA | AC | - | - | ## A - Takahashi san - 문제 링크: - Score: 100점 - 문제 예상 티어: Bronze V 문자열 입력을 받아 뒤에 `san`을 출력하면 되는 간단한 문제. ## B - World Meeting - 문제 링크: - Score: 250점 - 문제 예상 티어: Bronze I 실제 시험 중에 안타깝게 1번 틀렸었는데, 문제 읽기 이슈였다. 각 지사에서 가장 많이 참여 가능한 시간대를 선정하는 것이고, $[i, i + 9)$ 범위 내에서의 max 값을 구하면 된다. ## C - Sensors - 문제 링크: - Score: 300점 - 문제 예상 티어: Silver III 간단한 완탐 문제. 붙어 있는 센서들을 dfs로 처리하면 편하다. ## D - Printing Machine (Upsolved) - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold I 시험 중에 풀지 못했고, 내가 `Greedy`가 약하다는 사실을 깨닫게 되었다. `Greedy` 하게 푸는 것 중 `Job Scheduling`에 관한 유형이었고, 아래 링크에 이 유형 풀이를 정리했다. - Job Scheduling: [링크](https://www.readiz.com/notes/algorithm/greedy/jobscheduling/) ## E - Our clients, please wait a moment - 문제 링크: - Score: 450점 - 문제 예상 티어: Gold II `car` -> `train` 으로 최대 1회 환승 가능한 것을 제외하면 일반적인 최단거리 경로 문제이다. ## F, G Skip --- --- id: "imported/ps/algorithm/general/mo" title: "Mo's" description: "개인적으로 공부하다가 그 심플함과 발상에 충격먹은 알고리즘 1순위 (2023/07 기준)" kind: "record" published: "2023-10-29T00:00:00.000Z" tags: ["mo's","offline query"] url: "https://www.readiz.com/notes/algorithm/general/mo/" markdownUrl: "https://www.readiz.com/notes/algorithm/general/mo/index.md" recordFolder: "알고리즘/일반" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%9D%BC%EB%B0%98" --- # Mo's 개인적으로 공부하다가 그 심플함과 발상에 충격먹은 알고리즘 1순위 (2023/07 기준) `Mo's Algorithm`을 내가 이해한 순서대로 한번 정리해보고자 한다. ## TL;DR Offline Query가 가능해야 함, 아래와 같이 쿼리 정렬 - $sqrtN = \sqrt N$ ```cpp struct Q { // Query int s, e; int oidx; // Original Index bool operator<(const struct Q& t) const { if (e / sqrtN == t.e / sqrtN) return s < t.s; return e / sqrtN < t.e / sqrtN; } }; ``` ## Bucket Challenge 난 개인적으로 `bucket`을 활용한 풀이를 매우 좋아한다. 알고리즘 명으로는 `Sqrt Decomposition`으로 많이 부르는 기법인데, 전체 배열 크기가 $N$ 일때, 전체 구간을 $\sqrt N$ 으로 나누게 되면, 각 `bucket`의 크기 또한 $\sqrt N$이 된다. 이렇게 되면, 각 구간마다의 계산값(이를테면 구간마다의 합)을 구하는 데에 최대 $O(\sqrt N)$의 시간이 걸리게 되는 아름다운 결론에 도달한다. 예를 들어, 전체 구간 크기가 `10000`이면, 각 구간은 `100`으로 나눌 수 있고, 이 상태에서 각 구간의 합을 `bucket[i/100]`에 미리 계산해 두었다고 하자. 그러면, $[4, 303]$ 구간의 합은 미리 계산해둔 값들을 바탕으로 아래처럼 구하면 된다. - A\[4], A\[5], A\[6], ... A\[99] - bucket\[1] (100 \~ 199의 합이 미리 계산되어 있다) - bucket\[2] (200 \~ 299의 합이 미리 계산되어 있다) - A\[300], A\[301], ... A\[303] 위에서 확인이 가능한 것처럼, bucket 외의 구간을 합해야 하는 수는 worst의 경우에도 $\sqrt N$을 넘지 않는다. 따라서 이런 경우 `query` 마다의 시간 복잡도는 최대 $O(\sqrt N)$이 된다고 할 수 있는 것이다. ## Mo's Algorithm 바로 이러한 루트로 나누는 아이디어를 `Offline query`에 적용한 것이 `Mo's Algorithm`이다. `Offline query` 역시 발상이 독특한데, `query`를 꼭 입력이 들어온 순서대로 처리하지 않는 것을 말한다. 만약 아래와 같은 `query`가 반복된다고 해보자. - $[1, 100]$ - $[1000, 1300]$ - $[2, 101]$ - $[1001, 1301]$ - $[3, 102]$ - $[1002, 1302]$ 딱 봐도 `query`를 재배치하고 싶은 욕구가 생길 것이다. 재배치하면 이전에 계산한 값을 활용할 여지가 있기 때문이다. 다만, 재배치를 `일반적으로` 어떤 순서로 할 것인지가 막막하다. `Sqrt Decomposition`까지는 루트를 어떻게 활용할지에 대한 아이디어가 어느 정도 직관으로 찾아지지만, `Mo's` 정도 되면 쉽지 않다. 재배치 방식에 대해 아래처럼 생각을 해보는 것이 일반적일 것이다. 1. $[s, e]$에 대해서 `s` 먼저 정렬하면? - $[1, 100]$, $[1, 10000]$, $[2, 100]$, $[2, 10000]$ 처럼 질의가 올 수 있다. 2. $[s, e]$에 대해서 `e` 먼저 정렬하면? - 1과 같은 반례가 존재한다. 3. $[s, e]$에 대해서 `s` 먼저 정렬하고 같으면 `e`로 정렬하면? - 그럴싸 하지만, 전체적으로 비효율이 존재하는 것은 마찬가지이다. - 아래 케이스가 여전히 해결이 안된다. - $[1, 2]$, $[1, 10000]$, $[2, 3]$, $[2, 10001]$, ... 즉, 위처럼 단순 정렬 해서는 어떻게 정렬해도 쉽지 않다. `Mo's Algorithm`은 엄청난 발상에서 출발하는데, 바로 한쪽 구간에 루트를 취하는 것이다. 아래와 같은 `operator`를 통해 정렬하는 것을 생각해보자. ```cpp bool operator<(const struct Q& t) const { if (e / sqrtN == t.e / sqrtN) return s < t.s; return e / sqrtN < t.e / sqrtN; } ``` $\sqrt e$가 같을 때 $s$를 활용해 오름차순으로 하고, 다를 때는 $\sqrt e$가 오름차순으로 정렬하는 것이다. 이렇게 하면, 처음의 예시가 아래처럼 깔끔하게 떨어진다. ($N = 10000$을 가정하자) - $[1, 100]$ : `e`가 `bucket` 1에 속하므로 제일 먼저 온다. - $[2, 101]$ : 위와 동일한 `bucket`이고, `s`의 순서에 따라 정렬되었다. - $[3, 102]$ - $[1000, 1300]$ : `e`가 `bucket` 13에 속하므로 1번보다 나중에 온다. - $[1001, 1301]$ - $[1002, 1302]$ 직관으로 확인해봐도, `query` 간 이동할 때 걸리는 시간이 상당히 개선이 될 것이라고 짐작할 수 있다. `s`와 `e`가 이동하는 전체적인 거리를 생각해보자. 1. `e`는 전체적으로는 $O(N)$, 그리고 `query` 구간 내에서 $O(\sqrt N)$ 만큼 이동 가능하고, `query`수가 $M$개라고 하면, 총 $O(N + M\sqrt N)$ 만큼 이동할 수 있다. 2. `s`는 `e`가 최대 $O(\sqrt N)$ 만큼 이동하는 동안 오름차순 정렬되어 있으므로 최대 $N$만큼 이동가능하다. 즉, 총 $O(N\sqrt N)$ 만큼 이동할 수 있다. 1과 2를 둘 다 고려하면 최종적인 시간 복잡도인 $O((N + M)\sqrt N)$이 나온다. ## Time Complexity - 구간 길이 N이고, 쿼리 M개 일 때, - $O((N+M) \sqrt N)$ 하나의 `query`를 수행하는 데에 걸리는 시간이 $O(1)$이 걸린다면, 전체적인 시간복잡도는 위에서 살펴본 것처럼 $O((N + M)\sqrt N)$이 된다. `naive`하게 전체 `query`를 처리했다면 $O(NM)$이 걸렸을 것이므로, 엄청난 개선이 된다고 할 수 있다. ### 참고 링크 - 소멤블로그 `Mo's Algorithm` 소개: - 백준 `수열과 쿼리 5`: --- --- id: "imported/ps/data-structure/string/hash" title: "Hash" description: "hash에서 충돌 방지 정책은 중요하다. 가장 간단하게는 이미 사용중인 영역을 만났을 때 주소값을 +1 하는 Open Addressing의 Linear Probing 방식이 대표적이지만, 여기서는 Chaining 방식의 구현을 알아보겠다. Chaining 방식의 경우 값 삭제도 원할하게" kind: "record" published: "2023-10-29T00:00:00.000Z" tags: ["hash","data structure"] url: "https://www.readiz.com/notes/data-structure/string/hash/" markdownUrl: "https://www.readiz.com/notes/data-structure/string/hash/index.md" recordFolder: "자료구조/문자열" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%EB%AC%B8%EC%9E%90%EC%97%B4" --- # Hash 해시 관련 정리 ## Collision control `hash`에서 충돌 방지 정책은 중요하다. 가장 간단하게는 이미 사용중인 영역을 만났을 때 주소값을 `+1` 하는 `Open Addressing`의 `Linear Probing` 방식이 대표적이지만, 여기서는 `Chaining` 방식의 구현을 알아보겠다. `Chaining` 방식의 경우 값 삭제도 원할하게 할 수 있어 좀 더 추천된다. (`Open Addressing`은 삭제가 좀 까다롭다. 그냥 isDeleted 도입하는거 말고는..) ## Integer Hash Key id가 sparse하게 쓰일 때 사용. 본격적인 `hash` 구현 이전에 한번 구현해보면 좋다. 사실 `hash`의 관건은 `key`값 생성에 있는데, 이 경우 단순히 `val % HMAX`로 `key` 값을 잡으면 충분하다. 물론 악의적으로 value를 생성할 수도 있긴 하다. 이를 막기 위해서는 `bucket`을 활용해야 할 것이다. `bucket`을 활용한 일반적인 구현은 아래처럼 된다. ```cpp #define HMAX 10007 // 소수가 좋다. struct Node { int idx; T val; Node* next; }; Node npool[1'000'000]; int nidx; Node* newNode() { npool[nidx].next = nullptr; return &npool[nidx++]; } struct Hash { Node* head[HMAX]; Hash() { for(int i = 0; i < HMAX; ++i) { head[i] = newNode(); } } int getKey(int idx) { return idx % HMAX; } void set(int idx, T val) { Node* p = head[getKey(idx)]; for(;p->next != 0; p = p->next) { if (p->next->idx == idx) { p->next->val = val; return; } } p->next = newNode(); p->next->idx = idx; p->next->val = val; } void insert(int idx, T val) { // 중복값이 확실히 없음을 알 때 Node* p = head[getKey(idx)]; Node* opnext = p->next; p->next = newNode(); p->next->idx = idx; p->next->val = val; p->next->next = opnext; } T get(int idx) { Node* p = head[getKey(idx)]; for(;p->next != 0; p = p->next) { if (p->next->idx == idx) { return p->next->val; } } } }; ``` ## String Hash Key 주로 `hash`라고 말하면, 보통 `string`을 `key`로 갖는 `hash`를 의미하는 경우가 많다. 이 경우, 사실 `key`값을 만드는 로직을 제외하면 로직은 위와 같다. 이런 `key`값을 효율적으로, 빠르게 만드는 것이 주요한데, 만약 `string`의 최대 길이가 8보다 작다고 하면, 아래 방법도 유효하다. (강력 추천) ```cpp int getKey(char d[]) { char buf[8] = {0, }; for(int i = 0; d[i] != 0 && i < 8; ++i) { buf[i] = d[i]; } return (*(unsigned long long *) buf) % HMAX; } ``` 위 방식은 일종의 트릭으로, char 배열을 ull로 속여서 계산한다. 만약 `d[]`가 무조건 8자리로만 온다면, 복사 과정 필요없이 바로 사용해도 된다. 일반적으로 긴 문자열이 `key` 값에 쓰인다면, 비트연산을 적절히 활용해서 각 자리 마다 `*33` 정도의 값을 곱해서 더해서 쓰곤 한다. 이 경우 `*33`은 `(h<<5 + h)`로 치환이 가능하므로, 아래처럼 쓸 수 있다. ```cpp int getKey(char d[]) { int hashKey = 5381; for(char* p = d; *p != 0; ++p) { hashKey = ((hashKey) << 5) + hashKey + (*p); hashKey %= HMAX; } return hashKey; } ``` 처음 `hashKey`를 초기화 하는 것을 잊지 말자. ## Simple Hash structure `vector`를 활용하면 위보다 훨씬 쉽게 구현도 가능하다. (추천) ```cpp #define HMAX 10007 // 소수가 좋다. struct Node { int idx; T val; }; int nidx; struct Hash { vector data[HMAX]; Hash() { init(); } void init() { for(int i = 0; i < HMAX; ++i) data[i].clear(); } int getKey(int idx) { return idx % HMAX; } void set(int idx, T val) { if (getIdx(idx) == -1) insert(idx, val); else data[getKey(idx)][getIdx(idx)] = {idx, val}; } void insert(int idx, T val) { // 중복 key값이 확실히 없음을 알 때 data[getKey(idx)].push_back({idx, val}); } int getIdx(int idx) { int i = 0; for(auto& item: data[getKey(idx)]) { if (item.idx == idx) return i; ++i; } return -1; // not found } }; ``` ## Time Complexity - Insert: O(1) - Erase: O(1) - Find: O(1) --- --- id: "imported/ps/algorithm/heuristics/astar" title: "A*" description: "유명한 길찾기 휴리스틱 알고리즘. 이 알고리즘 관련해서는 아래 사이트에 모든게 다 있는 듯 하다." kind: "record" published: "2023-10-26T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/heuristics/astar/" markdownUrl: "https://www.readiz.com/notes/algorithm/heuristics/astar/index.md" recordFolder: "알고리즘/휴리스틱" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%ED%9C%B4%EB%A6%AC%EC%8A%A4%ED%8B%B1" --- # A* ## A\* 유명한 길찾기 휴리스틱 알고리즘. 이 알고리즘 관련해서는 아래 사이트에 모든게 다 있는 듯 하다. - Amit's A\* Pages: --- --- id: "imported/ps/algorithm/greedy/scenery" title: "Scenery" description: "ICPC 유명 문제 Scenery 에 대한 풀이 정리" kind: "record" published: "2023-10-25T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/greedy/scenery/" markdownUrl: "https://www.readiz.com/notes/algorithm/greedy/scenery/index.md" recordFolder: "알고리즘/그리디" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%A6%AC%EB%94%94" --- # Scenery ## Scenery ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-10-24-23-02-12.png) ICPC 유명 문제 `Scenery` 에 대한 풀이 정리 - 문제 링크: - koosaga님의 Unit Scheduling 설명: [PDF 다운로드](https://www.readiz.com/assets/koosaga_scheduling.pdf) - 위 글에 나온 논문: [PDF 다운로드](https://www.readiz.com/assets/doi_0210018.pdf) 아래 글은 koosaga 글을 내가 이해한 부분만 정리한 것이다. (증명만 빠지고 거의 그대로다) ## Forbidden Regions `Scenery` 문제 풀이의 핵심이 되는 개념. $T = 1$ 일 경우에는 항상 데드라인이 작은 일을 할당하는 것이 최적이다. - Exchange Argument를 사용하면 쉽게 보일 수 있다. - 어떤 시점에서 일을 하겠다고 했을 때 데드라인이 큰 일을 선택하는 것은 작은 일을 수행하는 것과 바꿀 수 있기 때문. $T$가 그보다 큰 경우에는 오히려 할당하지 않는 것이 유리해지는 경우가 존재한다. 이를 제어하기 위해 도입된 것이 `Forbidden Regions` 라고 보면 된다. ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-10-24-23-04-02.png) - `Scenery` 문제와 달리 논문에 나온 `Forbidden Regions`는 딱히 정수 구간으로 제한되지 않았다... ### Naiiiive한 구현 1. 임의의 (모든) $[r_i, d_i]$와 $[r_j, d_j]$를 고른다. (단, $r_i \lt d_j$) 2. 고른 구간 $[r_i, d_j]$ 안에 속하는 모든 작업을 찾아, 아래를 수행한다. 1. $d_j$ 부터(뒤쪽부터) 스케쥴링을 시도한다. 이 때, 이미 구해진 `Forbidden Regions`이 있다면 피해간다. 2. 스케쥴링을 한 결과는 아래 3가지 Case가 있다. 1. 할당을 시도하다가 실패. 모든 케이스에 대해서 적어도 하나 이상 할당이 안되는 것을 발견한 것이므로 종료한다. 2. **(중요)** 마지막에 할당한 $r_{last}$가 $r_{last} \lt T + r_i$를 만족하면, $(r_{last} - T, r_i)$ (개구간)을 `Forbidden Regions`에 추가한다. 3. $r_{last} \ge T + r_i$ 를 만족하는 경우에는 `Forbidden Regions`에 추가할 필요가 없다. (쉬지 않고 할당해도 된다) 위 방법은 1번과 2번 과정부터 이미 $O(2^N)$가 되어 글러먹었다(모든 부분집합을 찾고 있는 것이므로). 다행히, 개선할 수 있다. ### Polynomial Algorithm 우선, `Forbidden Regions`은 최대 $O(N)$ 개의 구간을 가진다. 왜냐면, 추가한 구간의 형태는 $(r_{last} - T, r_i)$ 였기 때문에, 끝점의 개수는 $O(N)$ 개로 고정되고, 그들 중 최대 길이를 가지는 녀석은 1개가 되므로 전체 구간 수가 $O(N)$이 되는 것. 이 기본 사실을 바탕으로 연산을 아래와 같이 줄일 수 있다. 간단한 관찰을 하면, 어떤 구간 $[r_i, *]$을 잡았을 때 `Forbidden Region`는 항상 그 구간의 왼쪽에 형성된다. 다시 말하자면, 선택한 구간 $[r_i, *]$로 생성되는 `Forbidden Region`은 $r_i \lt r_j$인 구간만 만들 수 있다는 것이다. 따라서 위의 Naive한 구현의 1번에서 `임의의` 구간을 선택하는 것이 아니라, 뒤쪽부터 선택하면서 보면 한번 처리한 후보를 다시 처리할 필요가 없어진다. 여기까지 하면 하나의 구간을 처리하는데 $O(N)$, 많아야 $O(N^2)$ 번 과정을 수행하면 되므로 시간복잡도는 이 둘을 곱해서 $O(N^3)$ 이다. 여기서, 구간을 $r_i$가 증가하는 순으로 미리 정렬하면, 중복 계산을 제거하여 $O(N^2)$으로 만들 수 있다. $f(i, j)$를 $[r_i, d_j]$ 구간에서의 `Forbidden Regions` 생성 결과라고 하면, $f(i + 1, j)$를 알면, 마치 `Mo's` 알고리즘 처럼 $O(1)$ 시간만에 추가되는 녀석을 고려한 새로운 `Forbidden Regions`를 구할 수 있게 된다. ### Deep dive Algorithm 서두에 소개된 논문에서 $O(N \log N)$ 으로 줄일 수 있는 방법에 대해서 소개하고 있다. 아직 완전히 이해하지 못해서 적지 못하지만, 논문에서 핵심은 아래라고 한다. > The key to obtaining a speed-up from $O(N^2)$ to $O(N \log N)$ involves a basic shift in the way we deal with critical times. Instead of keeping track of each $c_i$ individually, so that the current value of any $c_i$ can be found in constant time (the approach of Algorithm A), we shall keep track of a smaller amount of information, which will be sufficient for determining the current value of any $c_i$ in time $O(\log n)$. This will permit us to use more efficient procedures for organizing and updating the data structures neded for computing the $c_i$ values. --- --- id: "imported/ps/algorithm/math/numbertheory" title: "정수론 일반" description: "정수론 일반 관련 기록." kind: "record" published: "2023-10-25T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/math/numbertheory/" markdownUrl: "https://www.readiz.com/notes/algorithm/math/numbertheory/index.md" recordFolder: "알고리즘/수학" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%88%98%ED%95%99" --- # 정수론 일반 ## 정수론 기본 정리 - rkm0959 님의 PS 정수론 백과사전: [PDF 다운로드](https://www.readiz.com/assets/NumberTheory.pdf) - rkm0959 님의 블로그: ## Basic Functions ### GCD (유클리드 호제법) - $GCD(a, b) = GCD(b, r)$ (단, $r$은 $a$를 $b$로 나누었을 때의 나머지)의 구현이다. ```cpp int gcd(int a, int b) { return (b == 0) ? a : gcd(b, a % b); // a % b = r } ``` ```cpp int gcd(int a, int b) { while (b != 0) { int r = a % b; a = b; b = r; } return a; } ``` ### LCM ```cpp int lcm(int a, int b) { return a * b / gcd(a, b); } ``` ### Simple isPrime - 루트 시간복잡도이기 때문에 $N \lt 1,000,000$ 정도일 때, 상당히 유효하다. ```cpp bool isPrime(int num) { for(int i = 2; i * i <= num; ++i) { if (num % i == 0) return false; } return true; } ``` ### 밀러라빈 isPrime - 확률적 소수 판정이지만, 특정 수들에 대해서 모두 체크함으로써 확정적으로 소수 체크 가능 - casterian님 코드 참고: ```cpp typedef unsigned long long ull; ull checker[] = {2ULL, 325ULL, 9375ULL, 28178ULL, 450775ULL, 9780504ULL, 1795265022ULL}; // int checker[] = {2, 7, 61}; // int 범위일 때 ull addmod(ull x, ull y, ull m) { if (x >= m - y) { return x - (m - y); } else { return x + y; } } ull mulmod(ull x, ull y, ull m) { ull r = 0ULL; while (y > 0) { if (y % 2 == 1) r = addmod(r, x, m); x = addmod(x, x, m); y /= 2; } return r; } ull powmod(ull x, ull y, ull m) { ull r = 1ULL; while (y > 0) { if (y % 2 == 1) { r = mulmod(r, x, m); } x = mulmod(x, x, m); y /= 2; } return r; } // Miller-Rabin checker // true를 리턴한다고 해서 무조건 소수인 것은 아님. (확률적 소수) // 그러나 특정 수들에 대해 (checker 배열) 모두 검사한다면, 확정적으로 소수임을 판별가능. // (log n)^3 알고리즘 bool MR(ull N, ull A) { ull d = N - 1; while (d % 2 == 0) { if (powmod(A, d, N) == N - 1) { return true; } d /= 2; } ull tmp = powmod(A, d, N); if (tmp == N - 1 || tmp == 1) { // a^(d*2^r) mod n = -1 판정 하는 부분임 return true; } else { return false; } } bool isPrime(ull N) { if (N <= 1) { return false; } else if (N == 2) { return true; } else if (N <= 10'000'000'000ULL) { // 기존 방법이 빠른 구간 + 밀러라빈 checker 수보다 작은 구간 for (ull i = 3ULL; i * i <= N; i += 2) { // 홀수만 검사한다. if (N % i == 0ULL) return false; // 나누어 떨어지면, 소수 } return true; } else { for (int i = 0; i < 7; i++) { // 7: checker size ull A = checker[i]; if (MR(N, A) == false) { return false; } } return true; } } ``` ### 에라스토테네스의 채(Sieve) ### Slow version ```cpp vector getPrimes int MAX) { vector memo(MAX + 1, 0); vector res; for(int i = 2; i <= MAX; ++i) { if (memo[i] != 0) continue; res.push_back(i); for(int j = i; j <= MAX; j += i) { memo[j] = 1; } } return res; } ``` ### Fast version ```cpp vector getPrimes(int MAX) { vector memo(MAX + 1, 0); vector res; int i; for(i = 2; i * i <= MAX; ++i) { if (memo[i] != 0) continue; res.push_back(i); for(int j = i * i; j <= MAX; j += i) { memo[j] = 1; } } for(; i <= MAX; ++i) if (memo[i] == 0) res.push_back(i); return res; } ``` ### Linear Sieve - `sp` 에 들어있는 해당 숫자의 제일 작은 소인수는 덤이다. ```cpp vector getPrimes(int MAX) { vector sp(MAX + 1, 0); vector res; for(int i = 2; i <= MAX; ++i) { if (sp[i] == 0) res.push_back(i); for(auto& j: res) { if (i * j > MAX) break; sp[i * j] = j; if (i % j == 0) break; // 이미 체로 걸러졌으므로 더이상 보지 않음 } } return res; } ``` ## Time Complexity - GCD: $O(\log A + \log B)$ - 한번 재귀를 돌 때마다 적어도 수가 $\frac 1 2$이 되므로, 로그 시간복잡도가 된다. - LCM: $O(\log A + \log B)$ - GCD에 달려있다. - Simple isPrime: $O(\sqrt N)$ - 밀러라빈 isPrime: $O(k \log^3 N)$ - k는 테스트해야하는 숫자의 수 - 에라스토테네스의 채 구성: $O(N \log \log N)$ - Linear Sieve 구성: $O(N)$ --- --- id: "imported/ps/algorithm/dp/basic" title: "DP Basic" description: "구체적인 기본 유형 풀이는 위 링크에 정리 업데이트 예정이고, 여기는 해당 링크에 있는 유형의 키워드만 정리한다." kind: "record" published: "2023-10-24T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/dp/basic/" markdownUrl: "https://www.readiz.com/notes/algorithm/dp/basic/index.md" recordFolder: "알고리즘/동적 계획법" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EB%8F%99%EC%A0%81+%EA%B3%84%ED%9A%8D%EB%B2%95" --- # DP Basic ## DP 기본 이론 정리 - AtCoder Educational DP Contest 풀이 정리: [링크](https://www.readiz.com/blog/history/at/atdp/) 구체적인 기본 유형 풀이는 위 링크에 정리 업데이트 예정이고, 여기는 해당 링크에 있는 유형의 키워드만 정리한다. - Frog: 점프 거리 제한이 있는 DP - Vacation: 같은 활동을 연속해서 못하는 DP - Knapsack: 더 이상의 자세한 설명은 생략하는 DP - LCS ### DP Signal - 전체 경우의 수를 세라고 한다. - 답이 클 수 있으니 `10^9+7` 등으로 나머지를 구하라고 한다. - 점화식을 세울 수 있다. ### Editorial DP Contest (Atcoder) - Contest 링크: --- --- id: "imported/ps/algorithm/greedy/jobscheduling" title: "Job Scheduling" description: "이 유형은 문제에서 주어진 조건에 따라 풀이 방법이 매우 다양하게 나뉠 수 있다." kind: "record" published: "2023-10-24T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/greedy/jobscheduling/" markdownUrl: "https://www.readiz.com/notes/algorithm/greedy/jobscheduling/index.md" recordFolder: "알고리즘/그리디" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%A6%AC%EB%94%94" --- # Job Scheduling ## Job Scheduling 이 유형은 문제에서 주어진 조건에 따라 풀이 방법이 매우 다양하게 나뉠 수 있다. ### 작업 배정을 할지 안할지만 결정 - 회의실 배정 문제: - 가젤 님의 관련 티스토리 글 (+ 아래 사진 출처): ![원문에 첨부된 이미지](https://www.readiz.com/assets/meeting_assign.gif) ```cpp // Greedy 기초 // 작업을 진행하는데 걸리는 시간 T가 주어지지 않았다. // 그 작업을 채택할지 안할지만 보면 된다. // 1. 정렬 Phase // 끝나는 시간 기준으로 정렬한다. // 2. 할당 Phase // 앞에서부터 차례대로 할당한다. struct Meeting { int s, e; }; void solve(vector& v) { sort(v.begin(), v.end(), [&](Meeting& a, Meeting& b) -> bool { if (a.e != b.e) return a.e < b.e; return a.s < b.s; }); int last = 0; int ans = 0; for(auto& item: v) { if (item.s >= last) ++ans, last = item.e; } printf("%d\n", ans); } ``` ### 작업 끝시간(Deadline)과 수행하는 데 걸리는 시간(T)가 주어진 경우 - Backward Scheduling 하면 풀리는 유형 - 시간 관리 문제: ```cpp struct Job { int t; int d; // deadline bool operator<(const Job& t) const { if (d != t.d) return d > t.d; return this->t < t.t; } }; void solve(vector& v) { sort(v.begin(), v.end()); int ctime = v[0].d - v[0].t; for(int i = 1; i < v.size(); ++i) { ctime = min(ctime, v[i].d); // backward scheduling ctime -= v[i].t; } if (ctime < 0) printf("-1\n"); else printf("%d\n", ctime); } ``` ### 작업 수행 시간이 T = 1인 경우 - ABC 325 Round D번: ```cpp // 기본적으로 시간을 1부터 끝까지 훑으면서 할당하는 것 // 다만, 더 이상 후보군이 없을 때는 기록이 있는 지점부터 다시 시작 // -> 이렇게 안하면 구간 클 경우 TLE // 과정을 다시 요약하면 아래와 같다. (time에 대한 sliding window 기법) // 1. 가장 r_i가 작은 시간 작업부터 시작 // 1-1. r_i와 같은 시간에 시작하는 작업들은 모두 pq에 넣는다. // 2. 그 중 d_i가 가장 짧은 녀석부터 시간을 1씩 증가시켜가면서 실제로 할당한다. // 2-1. 할당할 때 한번에 다 하는게 아니라, 현재 시간에 1개만 할당하고, 다음 시간을 연속해서 보면서 할당한다. // 3. 만약 보려는 녀석이 이미 보고있는 시간대를 지나갔다면 버린다. void solve(map, greater<>>>& M) { // M[a] = {1, 2, 3} - a 시간에 시작하는 일이 1, 2, 3에 끝나는 3가지가 있다. int ans = 0; // unit time: 1임 ll ctime = 0; priority_queue, greater<>> gpq; // global pq auto it = M.begin(); for(ll ctime = 1; ; ++ctime) { // 시간을 증가시켜가면서 본다. if (gpq.size() == 0) { // 아무것도 없으니 내맘대로 시간을 맞춘다~ if (it == M.end()) break; auto& cur = *it; ctime = cur.first; ++it; } if (M.find(ctime) != M.end()) { it = M.find(ctime); auto& cur = *it; auto& pq = cur.second; while(pq.size()) gpq.push(pq.top()), pq.pop(); ++it; } // 유효하지 않은 gpq 값을 꺼낸다. while (gpq.size() && gpq.top() < ctime) gpq.pop(); // pq에서 가장 작은거 하나 꺼내서 쓴다. if (gpq.size()) { gpq.pop(); ++ans; } } printf("%d\n", ans); } ``` ### Release Time, Deadline 이 존재하며, 주어진 특정 시간에만 작업을 수행하는 유형 - 소가 길을 건너간 이유 4 문제: - 위 유형의 열화판. - Release Time이 빠른 녀석부터 보면서 Deadline을 PQ에 저장하는 것까지는 똑같은데, 특정 시간에만 작업잉 수행이 가능하다는 것은 특정 시간만 보면 된다는 의미이고, 특정 시간을 순회하면서 체크하면 된다. ```cpp void solve(vector& chicken, vector>& cow, int N, int M) { sort(cow.begin(), cow.end()); sort(chicken.begin(), chicken.end()); // deadline을 순서대로 넣자. 현재 유효한 녀석들만 들어가 있게 된다. priority_queue, greater<>> pq; int cowPtr = 0; int ans = 0; for(auto& c: chicken) { int cur = c; // 현재 보는 chicken의 T_i for(; cowPtr < M; ++cowPtr) { if (cow[cowPtr].y < cur) continue; // 버린다. 이미 다 지나갔다. if (cow[cowPtr].x <= cur && cur <= cow[cowPtr].y) { pq.push(cow[cowPtr].y); // deadline 순서로 정렬하는 pq에 넣기. } else { // 앞으로 쓸 녀석들을 만났다. 더이상 pq에 넣지않고 종료 break; } } while(pq.size() && pq.top() < cur) pq.pop(); // 유효하지 않은것 버리기 if (pq.size()) { // printf("[d] deadline: %d / chicken: %d matched!\n", pq.top(), cur); pq.pop(); ++ans; } } printf("%d\n", ans); } ``` ### 전부 할당해야할 때 필요한 최소 기계의 수를 계산하는 유형 - 강의실 배정 문제: ```cpp struct Range { int l, r; bool operator<(const Range& t) { if (l != t.l) return l < t.l; return r < t.r; } }; void solve(vector& v) { sort(v.begin(), v.end()); // 빨리 시작하는 순서대로 정렬 priority_queue, greater<>> pq; for(auto& item: v) { if (pq.size() == 0) { pq.push(item.r); continue; } if (item.l >= pq.top()) { // 일단 들어갈 수 있다. pq.pop(); pq.push(item.r); // 기존 녀석을 대체 } else { // 못들어가는 case이다. (현재 가장 빨리 끝나는 녀석보다도 시작이 빠름) pq.push(item.r); } } printf("%ld\n", pq.size()); } ``` ## Time Complexity - 우선 순위 큐 베이스 알고리즘이기 때문에 모두 $O(N\log N)$ --- --- id: "imported/ps/data-structure/tree/splaytree" title: "Splay Tree" description: "Splay 연산은 해당되는 Node를 루트로 올리는 연산이다. 이를 수행하기 위해 Rotaate 함수를 만드는데, 이 함수는 해당 노드를 부모로 올리는 역할이다." kind: "record" published: "2023-10-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/tree/splaytree/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/splaytree/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Splay Tree ## Splay Tree Splay 연산은 해당되는 `Node`를 루트로 올리는 연산이다. 이를 수행하기 위해 `Rotaate` 함수를 만드는데, 이 함수는 해당 노드를 부모로 올리는 역할이다. `Node`는 이 연산을 위해 부모의 pointer도 가지고 있어야한다. ```cpp struct Node { int key; Node* l; Node* r; Node* p; bool isLeft() { return (p->l == this); } void rotate() { Node* op = this->p; if (isLeft()) { // 왼쪽 자식이면 // p x // x c a p // a b b c Node* b = r; op->l = b; if (b) b->p = op; this->r = op; } else { // 오른쪽 자식이면 // p x // a x p c // b c a b Node* b = l; op->r = b; if (b) b->p = op; this->l = op; } this->p = op->p; op->p = this; // 부모의 부모 처리*** if (this->p == 0) return; if (this->p->l == op) this->p->l = this; else this->p->r = this; } void splay() { while(p) { Node* g = p->p; if (g == 0) { // 조부모가 없으면 rotate 한번하면 root이다. rotate(); break; } // g->p 방향과 p->x 방향이 같으면 Zig Zig if (p->isLeft() == this->isLeft()) { p->rotate(); rotate(); } else { // 다르면, Zig Zag rotate(); rotate(); } } } void printInorder() { if (l) l->printInorder(); printf("%d ", key); if (r) r->printInorder(); } }; Node* newNode(int key) { Node* ret = new Node(); ret->key = key; ret->l = ret->r = ret->p = 0; return ret; } struct SplayTree { Node* root; SplayTree() { root = 0; } bool insert(int key) { auto newOne = newNode(key); if (root == 0) { root = newOne; // no need to splay return true; } auto cur = root; while(true) { if (cur->key == key) { cur->splay(); // 중복 원소 존재, root로 올려주고 종료 return false; } else if (key < cur->key) { if (cur->l == 0) { cur->l = newOne; newOne->p = cur; break; } cur = cur->l; } else { if (cur->r == 0) { cur->r = newOne; newOne->p = cur; break; } cur = cur->r; } } newOne->splay(); root = newOne; return true; } void find(int key) { if (root == 0) return; auto cur = root; while(true) { if (cur->key == key) { // 중복 원소 존재! break; } else if (key < cur->key) { if (cur->l == 0) { break; } cur = cur->l; } else { if (cur->r == 0) { break; } cur = cur->r; } } cur->splay(); root = cur; } bool erase(int key) { find(key); if (root == 0) return false; if (root->key != key) return false; // root에 key가 있다 Node* l = root->l; Node* r = root->r; delete root; if (l != 0 && r != 0) { if (l->r) { auto cur = r; while(cur->l) cur = cur->l; cur->l = l->r; l->r->p = cur; } root = l; root->r = r; r->p = root; root->p = 0; } else if (l != 0) { root = l; root->p = 0; } else if (r != 0) { root = r; root->p = 0; } else { root = 0; } return true; } void print() { if(root) root->printInorder(); printf("\n"); } void printLevel() { if (root == 0) return; queue> q; q.push({root, 0}); while(q.size()) { auto cur = q.front(); q.pop(); printf("%d(%d) ", cur.first->key, cur.second); if(cur.first->l) q.push({cur.first->l, cur.second + 1}); if(cur.first->r) q.push({cur.first->r, cur.second + 1}); } printf("\n"); } } splay; ``` ## Time Complexity - Insert: $O(\log N)$ - Erase: $O(\log N)$ - Find: $O(\log N)$ - K-th: $O(\log N)$ --- --- id: "imported/ps/data-structure/tree/binarysearchtree" title: "Binary Search Tree" description: "Worst 때문에 쓸 일 없겠지만 basic 중의 basic." kind: "record" published: "2023-10-06T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/tree/binarysearchtree/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/binarysearchtree/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Binary Search Tree ## Binary Search Tree Worst 때문에 쓸 일 없겠지만 basic 중의 basic. ```cpp struct Node { int key; Node* l; Node* r; void printInorder() { if (l) l->printInorder(); printf("%d ", key); if (r) r->printInorder(); } }; Node* newNode(int key) { Node* ret = new Node(); ret->key = key; ret->l = ret->r = 0; return ret; } struct BST { Node* root; BST() { root = 0; } void insert(int key) { if (root == 0) { root = newNode(key); return; } Node* p = root; Node* myNode = newNode(key); while(true) { if (p->key == key) return; // duplicate else if (p->key > key) { if (p->l == 0) { p->l = myNode; return; } p = p->l; } else { if (p->r == 0) { p->r = myNode; return; } p = p->r; } } } Node* find(int key) { if (root == 0) return 0; Node* p = root; while(true) { if (p->key == key) return p; else if (p->key > key) { if (p->l == 0) { return 0; } p = p->l; } else { if (p->r == 0) { return 0; } p = p->r; } } } void print() { if(root) root->printInorder(); printf("\n"); } } bst; ``` ## Time Complexity (with Random Key) - Insert: $O(\log N)$ - Find: $O(\log N)$ --- --- id: "imported/ps/data-structure/tree/segmenttree" title: "Segment Tree" description: "Point Update와 Range Query를 지원하는 가장 기본적인 SegTree이다. 메모리는 2*N 만큼 선언하면 된다." kind: "record" published: "2023-10-03T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/tree/segmenttree/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/segmenttree/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Segment Tree ## Bottom-Up SegTree Point Update와 Range Query를 지원하는 가장 기본적인 SegTree이다. 메모리는 2\*N 만큼 선언하면 된다. 수열의 Index는 0부터, 전체 Tree의 Index는 1부터 사용되는 샘플 코드이다. ```cpp int N; struct SegTree { int d[2'000'010]; void build() { for(int i = N - 1; i >= 1; --i) d[i] = d[i<<1] ^ d[i<<1|1]; } void updatePoint(int p, int v) { p += N; d[p] = v; for(p>>=1; p > 0; p>>=1) { d[p] = d[p<<1] ^ d[p<<1|1]; } } int getRange(int l, int r) { int ret = 0; l += N, r += N; for(;l<=r; l>>=1, r>>=1) { if (l&1) ret ^= d[l++]; if (~r&1) ret ^= d[r--]; } return ret; } } seg; ``` ## Top-Down SegTree 이 경우는 가급적 다른 자료구조를 사용하자. 재귀호출 속도 및 메모리에서 손해를 본다. ## Top-Down SegTree with Lazy Lazy 연산은 Range Update 때문에 발생한다. 덧셈의 Range Update는 가급적 `Fenwick`으로 처리하자. (Range Update를 구간 끝점 2개의 Point Update로 대체한 후 적분 개념 활용하면 된다) 덧셈을 제외한 경우에는 SegTree 사용이 강제되는데, Top-Down이 Lazy 처리에 압도적으로 편리하다. 아래 예제는 Lazy `XOR` 연산을 처리한다. ```cpp int N; struct SegNode { int val; int lazy; }; struct LazySeg { SegNode tree[2'000'010]; int arr[500'010]; int init(int x, int s, int e) { if (s == e) return tree[x].val = arr[s]; int m = (s+e)>>1; return tree[x].val = init(x<<1,s,m) ^ init(x<<1|1,m+1,e); } void init() { init(1, 1, N); } void push(int x, int s, int e) { if (tree[x].lazy == 0) return; if ((e-s+1) % 2 != 0) tree[x].val ^= tree[x].lazy; if (s != e) { tree[x<<1].lazy ^= tree[x].lazy; tree[x<<1|1].lazy ^= tree[x].lazy; } tree[x].lazy = 0; } void updateRange(int x, int s, int e, int l, int r, int v) { push(x, s, e); if (r < s || e < l) return; if (l <= s && e <= r) { tree[x].lazy ^= v; push(x, s, e); return; } int m = (s+e)>>1; updateRange(x<<1,s,m,l,r,v); updateRange(x<<1|1,m+1,e,l,r,v); tree[x].val = tree[x<<1].val ^ tree[x<<1|1].val; } void updateRange(int l, int r, int v) { updateRange(1, 1, N, l, r, v); } int getRange(int x, int s, int e, int l, int r) { push(x, s, e); if (r < s || e < l) return 0; if (l <= s && e <= r) return tree[x].val; int m = (s+e)>>1; return getRange(x<<1,s,m,l,r) ^ getRange(x<<1|1,m+1,e,l,r); } int getRange(int l, int r) { return getRange(1, 1, N, l, r); } } lazySeg; ``` ## Dynamic Top-Down SegTree with Lazy 초기값이 주어지지 않고 쿼리로만 업데이트가 되는 경우에는 Dynamic하게 필요한 구간만 SegTree를 생성하는 방법도 있다. 기존 `x<<1`, `x<<1|1` 이 좌우 자식으로 내려가는 구조를 나타낸 것인데, 이를 진짜 tree 구조로 바꾼 것. ```cpp int N; struct SegNode { int val; int lazy; SegNode* l; SegNode* r; } sn[4'000'000]; int sidx = 0; SegNode* newNode() { return &sn[sidx++]; } struct LazySeg { SegNode* root; void init() { root = newNode(); } void push(SegNode* x, int s, int e) { if (x == 0 || x->lazy == 0) return; if ((e-s+1) % 2 != 0) x->val ^= x->lazy; // 구간 홀수일 때만 xor 의미가 있다. if (s != e) { if (x->l == 0) x->l = newNode(); if (x->r == 0) x->r = newNode(); x->l->lazy ^= x->lazy; x->r->lazy ^= x->lazy; } x->lazy = 0; } void updateRange(SegNode* x, int s, int e, int l, int r, int v) { push(x, s, e); if (x == 0) return; if (r < s || e < l) return; if (l <= s && e <= r) { x->lazy ^= v; push(x, s, e); return; } int m = (s+e)>>1; if (x->l == 0) x->l = newNode(); if (x->r == 0) x->r = newNode(); updateRange(x->l,s,m,l,r,v); updateRange(x->r,m+1,e,l,r,v); x->val = x->l->val ^ x->r->val; } void updateRange(int l, int r, int v) { updateRange(root, 1, N, l, r, v); } int getRange(SegNode* x, int s, int e, int l, int r) { push(x, s, e); if (x == 0) return 0; if (r < s || e < l) return 0; if (l <= s && e <= r) return x->val; int m = (s+e)>>1; return getRange(x->l,s,m,l,r) ^ getRange(x->r,m+1,e,l,r); } int getRange(int l, int r) { return getRange(root, 1, N, l, r); } } lazySeg; ``` ## Time Complexity - Point Update: $O(\log n)$ - Range Update: $O(\log n)$ - Range Query: $O(\log n)$ --- --- id: "imported/blog/history/grt/grt-week4_2" title: "구름톤 챌린지 4주 차 학습 일기 - 2" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-09-05T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week4_2/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week4_2/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 4주 차 학습 일기 - 2 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 통신망 분석 - 문제 링크: - 문제 예상 티어: Gold V ### 풀이 접근 어제와 마찬가지로 나의 경우 `Union Find`로 접근했다. 같은 집합에 속하는 녀석들을 관리할 때는 이 방법이 제일 편하다. 풀이 과정은 아래와 같다. 1. 입력을 받으면서 같은 집합에 속하는 애들을 `merge` 한다 2. 다시 처음부터 정점을 순회하면서 `root`를 확인해서, 처음 나오는 `root` 면 Component를 생성한다. - 현재 정점이 속한 Component에 해당 컴퓨터를 추가한다. 3. Component 안에 속하는 컴퓨터들이 가진 간선의 갯수를 세서 반영한다. 4. 문제에서 준 기준으로 Component를 정렬한다. 5. 0번째 index의 Component의 원소들을 출력한다. 그래프를 다루는 법만 잘 알고 있다면 순수 구현 문제처럼 풀이가 된다. 주의해야할 점은 정렬할 때 인데, 밀도의 계산을 분수로 하게 되면 `WA`를 받기 쉽다. 이 경우 분수로 하기보다는 $a / b$와 $c / d$를 비교한다 할 때 $a * d$와 $b * c$를 비교하는 식으로 회피하면 실수 오차 없이 정렬할 수 있다. 또, 이 경우 문제 조건에서 수의 범위가 `int` 범위를 초과할 수 있으므로, `long long`을 사용해야 한다. (Worst 시 $10^5 \times 2*10^5 = 2*10^{10}$ > `0x7FFFFFFF` 이다) 시간 복잡도의 병목 부분은 정렬과 처음 간선 입력을 받는 부분이고, $O(M + N \log N)$이다. #### 내 풀이 ```cpp #include using namespace std; int N, M; typedef long long ll; struct UF { int parent[100001]; UF() { for(int i = 0; i <= 100000; ++i) parent[i] = i; } int getRoot(int v) { if (v == parent[v]) return v; return parent[v] = getRoot(parent[v]); } void merge(int a, int b) { a = getRoot(a); b = getRoot(b); if (a == b) return; parent[b] = a; } } uf; vector adj[100001]; struct Component { ll numComputer; ll numConnection; vector members; bool operator<(const Component& t) const { // 1. 커넥션 수 / 컴퓨터 수 // 2. 밀도 같으면 컴퓨터 적은 수 // 3. 더 작은 번호 컴퓨터 순 if (numComputer * t.numConnection != numConnection * t.numComputer) { return numComputer * t.numConnection < numConnection * t.numComputer; } if (numComputer != t.numComputer) { return numComputer < t.numComputer; } return members[0] < t.members[0]; } } com[100000]; int main() { scanf("%d %d", &N, &M); for(int i = 0; i < M; ++i) { int a, b; scanf("%d %d", &a, &b); adj[a].push_back(b); uf.merge(a, b); } int cid = 0; map uq; for(int a = 1; a <= N; ++a) { if (uq.find(uf.getRoot(a)) == uq.end()) { uq[uf.getRoot(a)] = cid; ++cid; } int gid = uq[uf.getRoot(a)]; com[gid].members.push_back(a); com[gid].numComputer++; } for(int c = 0; c < cid; ++c) { ll cnt = 0; for(auto& cur: com[c].members) { cnt += adj[cur].size(); } com[c].numConnection = cnt; } sort(com, com + cid); for(auto& item: com[0].members) { printf("%d ", item); } printf("\n"); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week4_1" title: "구름톤 챌린지 4주 차 학습 일기 - 1" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-09-04T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week4_1/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week4_1/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 4주 차 학습 일기 - 1 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): 이제 마지막 주차인 4주차다. 4주차의 첫 문제는 그래프가 출제되었다. ## 문제 풀이 - 문제 제목: 연합 - 문제 링크: ### 풀이 접근 이 문제는 나의 경우 `Union Find`로 접근했다. 같은 집합에 속하는 녀석들을 관리할 때는 이것만큼 간단한 방법이 없기에.. 특이할 만한 조건은 양방향으로 연결될 때에만 `연합`으로 인정한다는 것이다. 이를 해결하기 위해, 일단 입력을 쭉 받은 이후, 다시한번 루프를 돌면서 연합을 이루는 녀석들은 `merge` 해준다. 이 후, `set`을 활용해서, 루트 정점을 집어넣어준 뒤 `unique` 한 녀석들의 수를 세어주면 쉽게 풀 수 있다. 내 풀이의 시간 복잡도는 정점간의 연결을 체크하는 부분 때문에 $O(N^2)$가 된다. 만약 이 연결을 체크하는 부분을 인접배열로 관리한다면, 시간복잡도를 $O(M + N)$으로 줄일 수 있겠다. #### 내 풀이 ```cpp #include using namespace std; bool conn[2001][2001]; int N, M; struct UF { int parent[2001]; UF() { for(int i = 0; i <= 2000; ++i) parent[i] = i; } int getRoot(int v) { if (v == parent[v]) return v; return parent[v] = getRoot(parent[v]); } void merge(int a, int b) { a = getRoot(a); b = getRoot(b); if (a == b) return; parent[b] = a; } } uf; int main() { scanf("%d %d", &N, &M); for(int i = 0; i < M; ++i) { int a, b; scanf("%d %d", &a, &b); conn[a][b] = true; } for(int a = 1; a <= N; ++a) { for(int b = a + 1; b <= N; ++b) { if (conn[a][b] == true && conn[b][a] == true) { uf.merge(a, b); } } } set uq; for(int a = 1; a <= N; ++a) { uq.insert(uf.getRoot(a)); } printf("%d\n", (int)uq.size()); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week3_2" title: "구름톤 챌린지 3주 차 학습 일기 - 2" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-29T00:00:00.000Z" tags: ["PS","구름톤","BFS"] url: "https://www.readiz.com/blog/history/grt/grt-week3_2/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week3_2/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 3주 차 학습 일기 - 2 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 발전기 - 문제 링크: ### 풀이 접근 이 문제의 경우 조금 논란이 있을 수 있겠다. 왜냐하면, 아무리 봐도 구름 IDE에서 스택 메모리에 대한 제약조건이 보이지 않기 때문이다. 만약 일반적인 윈도우 환경이라면 보통 스택 메모리를 `1MB` 정도로 보는데, 그럴 경우에는 `DFS`로 맵 탐색을 구현하면 전체 맵의 크기가 $1000 \times 1000$ 이므로, `stack overflow`가 날 수 있다. 하지만 이것은 환경에 따라 달라질 수 있는 값이므로, `DFS`로 풀었다고 `RTE`가 나는 것은 조금 넌센스라고 할 수 있겠다. (아니면 문제 조건에 스택 메모리 크기를 명시하면 된다.) 아무튼 문제 자체는 간단히 `BFS`로 구현할 수 있는 간단한 맵 탐색 문제이다. 맵을 탐색하다가 $1$을 발견하면 해당 좌표 기점으로 연결되는 것들을 0으로 만들고 계속 탐색하고를 반복해주면 된다. 간단한 문제인데 위 이슈로 삽질을 좀 했다. ```cpp #include int M[1010][1010]; int dy[4] = {0, 1, 0, -1}; int dx[4] = {1, 0, -1, 0}; struct P { int y, x; }; P q[2000000]; int qf, qr; void clear(int y, int x) { qf = qr = 0; q[qr++] = {y, x}; while(qf != qr) { auto& cur = q[qf++]; if (M[cur.y][cur.x] == 0) continue; M[cur.y][cur.x] = 0; for(int i = 0; i < 4; ++i) { if (M[cur.y + dy[i]][cur.x + dx[i]] == 1) q[qr++] = {cur.y + dy[i], cur.x + dx[i]}; } } } int main() { int N; scanf("%d", &N); for(int i = 1; i <= N; ++i) { for(int j = 1; j <= N; ++j) { scanf("%d", &M[i][j]); } } int ans = 0; for(int i = 1; i <= N; ++i) { for(int j = 1; j <= N; ++j) { if (M[i][j]) { clear(i, j); ++ans; } } } printf("%d\n", ans); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week3_1" title: "구름톤 챌린지 3주 차 학습 일기 - 1" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-28T00:00:00.000Z" tags: ["PS","구름톤","greedy","DP"] url: "https://www.readiz.com/blog/history/grt/grt-week3_1/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week3_1/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 3주 차 학습 일기 - 1 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 통증 - 문제 링크 - 통증 1: - 통증 2: 구름톤 블로깅이 좀 밀려 있었는데, 마침 통증 1 문제와 통증 2 문제가 결이 거의 같은 문제지만 풀이가 달라서 한번에 포스팅하게 되었다. ### 통증 1 풀이 접근 통증 1의 경우에는, 각 수치가 배수 관계이다. 이 경우에는 유명한 거스름돈 문제처럼 `greedy` 하게 풀 수 있다. 왜냐면, 큰 동전이 커버할 수 있는 양을 더 적은 양의 동전으로도 항상 커버할 수 있기 때문이다. 따라서, 단순하게 그냥 나머지만 구하면서 더해나가면 정답이 된다. 구름톤의 모범답안을 보면, 언제 `greedy` 하게 풀 수 있는지에 대해서 정석적으로 서술해 놓았는데, 해당 해설을 첨부한다. - 현재의 최적의 선택이 다음 선택에 영향을 미치지 않는다. - 현재의 선택이 최종 선택의 최적 해결 방법에 포함된다. `greedy` 문제의 경우 풀었다고 좋아할 게 아니라, 왜 해당 조건으로 풀이가 가능한지에 대해서 증명이 어렴풋이 가능한 정도로 되어야 해당 문제를 제대로 풀었다 할 것이다. #### 내 풀이 ```python N=int(input()) ans=0 while N >= 14: ans+=N//14 N=N%14 while N >= 7: ans+=N//7 N=N%7 ans+=N print(ans) ``` ### 통증 2 풀이 접근 이 문제의 경우 통증 1과 다르게 대놓고 두 가지의 아이템의 효과가 배수 관계가 아니다. 이럴 때는 $a$를 먼저 사용하고 $b$를 사용하는 식의 접근은 최적을 보장하지 못한다. `DP` 문제 중에 유명한 `배낭 채우기` 문제가 있는데, 해당 문제 풀이에서 상태 전이를 `배낭 무게` 기준으로 하는 부분이 있다. 이 문제에서도 유사한 방식을 사용할 수 있다. 상태 전이를 약을 사용한 횟수 기준이 아니라, 현재 사용한 아이템의 용량 기준으로 하면, 아래와 같은 깔끔한 `DP` 식을 세울 수 있다. $DP[i] = \min(DP[i], DP[i - a] + 1)$ $DP[i]$는 $i$만큼의 통증을 정확히 없앨 수 있는 아이템의 최소 사용 개수이다. 문제 조건에서 $N \leq 1,000,000$ 이라고 했는데 이것이 통증 수치 기준으로 $DP$를 사용하라는 일종의 힌트이다. 나는 이것을 일종의 `DP Signal`로 판단한다. 이 $N$ 값이 만약에 `통증 1` 문제처럼 $N \leq 1,000,000,000$ 이었다면, 메모리 제한 조건에 걸려서 다른 풀이를 생각했어야 할 것이다. 아무튼 해당 문제는 이러한 이슈가 없고, 위 정의된 $DP$ 식으로 낮은 효과 수치에서 높은 효과 수치 순으로 배열을 채워나가면, $i$ == $N$에서의 값이 정답이 된다. `base condition`은 $DP[0] = 0$ 이다. #### 내 풀이 ```cpp #include using namespace std; int main() { int N; scanf("%d", &N); vector DP(N+1); constexpr int INF = 987654321; fill(DP.begin(), DP.end(), INF); int a, b; scanf("%d %d", &a, &b); DP[0] = 0; for(int i = 1; i <= N; ++i) { if (i - a >= 0) DP[i] = min(DP[i], DP[i - a] + 1); if (i - b >= 0) DP[i] = min(DP[i], DP[i - b] + 1); } if (DP[N] == INF) printf("-1\n"); else printf("%d\n", DP[N]); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week2_2" title: "구름톤 챌린지 2주 차 학습 일기 - 2" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-22T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week2_2/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week2_2/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 2주 차 학습 일기 - 2 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 구름 찾기 깃발 - 문제 링크: ### 풀이 접근 `PS`를 하다보면 높은 확률로 마주치게 되는 전형적인 2차원 맵 탐색 문제. 보통 이런 유형은 `dx`, `dy`를 도입해서 각 방향을 편하게 순회한다. 그리고, 좋은 테크닉이 하나 있는데 경계선에 여유를 두라는 것이다. 예를 들어 $[1, N]$ 구간의 배열을 쓰도록 하면 $0$과 $N+1$이 경계선이 되고, 이 경계선에는 $0$을 채워두면 답에 변함이 없고(문제에 따라 다를 수는 있다), 탐색할 때 경계선 예외처리를 하지 않아도 돼서 구현이 훨씬 편해진다. 이러한 점만 잘 익히고 있다면 매우 쉽게 통과 가능한 문제이다. 집가서 간만에 지뢰찾기 해야지.. ### 샘플 정답 코드 ```cpp #include int dx[8] = {0, 1, 1, 1, 0, -1, -1, -1}; int dy[8] = {1, 1, 0, -1, -1, -1, 0, 1}; int map[1002][1002]; int main() { int N, K; scanf("%d %d", &N, &K); for(int y = 1; y <= N; ++y) { for(int x = 1; x <= N; ++x) { scanf("%d", &map[y][x]); } } int ans = 0; for(int y = 1; y <= N; ++y) { for(int x = 1; x <= N; ++x) { if (map[y][x] == 0) { int ck = 0; for(int k = 0; k < 8; ++k) { if (map[y + dy[k]][x + dx[k]] == 1) ++ck; } if (ck == K) ++ans; } } } printf("%d\n", ans); return 0; } ``` --- --- id: "imported/blog/history/boj/boj-11055" title: "BOJ 11055 (가장 큰 증가하는 부분 수열)" description: "O(N^2) 부분 수열은 어느 정도 마스터했다고 생각했는데 또 다시 막힌 문제. 그만 막히고 싶다." kind: "record" published: "2023-08-21T00:00:00.000Z" tags: ["PS","BOJ","DP"] url: "https://www.readiz.com/blog/history/boj/boj-11055/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-11055/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 11055 (가장 큰 증가하는 부분 수열) - 문제 제목: 가장 큰 증가하는 부분 수열 - 문제 링크: $O(N^2)$ 부분 수열은 어느 정도 마스터했다고 생각했는데 또 다시 막힌 문제. 그만 막히고 싶다. ## 풀이 일단 범위는 정직하게 $N \leq 1000$이기 때문에, 전형적인 $O(N^2)$ `DP` 임을 알 수 있다. 부분 수열 문제는 `LIS` 정도 제외하면 $N^2$ 로 풀이하는 것이 거의 정석이라.. 다만 여전히 익숙하지 않은지 많은 `WA`를 내고 말았다. 처음 잘못 접근한 풀이부터 보자. ### 틀린 코드 (TLE) 처음에 접근했던 방식은 `map` 을 활용해서 구해보려 했으나 결과적으로는 $O(N^3)$ 이상의 풀이가 되고 말았다. 가능한 모든 `sum` 을 구하고, 더 이상 업데이트가 없을 때까지 반복해서 루프를 도는 방식인데, 가능한 모든 `sum`은 엄청 많기 때문에 애시당초에 `DP` 접근이 아니다. `DP`는 상태 공간을 줄이는 것이 핵심인데, 합을 기준으로 줄이는 것은 상태공간을 전혀 줄이지 못한다. (결론적인 이야기이지만) 처음에 잘못 생각했던 이유가 $A_i \leq 1000$ 이라는 조건 때문이었다. 전체 i 개수가 1000개까지라서 생각보다 `sum` 결과의 상태공간이 크지 않을 것이라고 생각했으나(최댓값이 백만이다), 결과적으로는 `TLE`. ```cpp #include using namespace std; typedef unsigned long long ull; typedef long long ll; typedef pair pii; #define FOR(i,a,b) for(int i=(a); ((i)^(b)); ++i) #ifndef ONLINE_JUDGE bool isDebug = true; #define _D(...) printf(__VA_ARGS__) #else bool isDebug = false; #define _D(...) #endif map pos; int main() { int N; scanf("%d", &N); vector A; A.resize(N + 1); for(int i = 1; i <= N; ++i) { scanf("%d", &A[i]); if (pos.find(A[i]) == pos.end()) pos[A[i]] = i; } while (true) { bool isUpdated = false; for(auto it = pos.begin(); it != pos.end();) { bool isPartialUpdated = false; auto& item = *it; int csum = item.first; int lpos = item.second; for(int i = lpos + 1; i <= N; ++i) { if (A[lpos] < A[i]) { int nsum = csum + A[i]; if (pos.find(nsum) == pos.end()) { isPartialUpdated = isUpdated = true; pos[nsum] = i; } else { if (pos[nsum] > i) { // 더 빠르게 도달 가능한 합을 찾음 isPartialUpdated = isUpdated = true; pos[nsum] = i; } } } } if (isPartialUpdated) { it = pos.begin(); continue; } else { ++it; } } if (!isUpdated) break; } printf("%d\n", pos.rbegin()->first); return 0; } ``` ### 최종 정답 코드 그렇다면 상태 공간을 어떻게 줄일 수 있을까? 그것은 `LIS`의 $O(N^2)$ 풀이에서 봤던 것처럼, index 기준으로 줄일 수 있다. $DP[i]$ 에는 $i$ 번째에서 가질 수 있는 증가하는 부분 수열의 최댓값을 기록해두면 된다. 그러면, $A_j \leq A_i$가 되는 조건에서, $DP[i] = max(DP[i], DP[j] + A[i])$ 로 업데이트 할 수 있다. 그러면 해당 위치에서의 값을 계속해서 캐싱해서 쓰는 것과 같은 효과이며, 낮은 index부터 기록하면 빠짐없이 모든 경우의 수를 체크할 수 있다. 최종적인 정답은 $DP[i]$ 중에 제일 큰 녀석이다. ```cpp #include using namespace std; typedef long long ll; int main() { int N; scanf("%d", &N); vector A(N+1); vector DP(N+1); for(int i = 1; i <= N; ++i) scanf("%lld", &A[i]); // DP[i] -> i에서의 증가하는 부분 수열의 최대 합 // N^2 알고리즘으로 점점 채워 나간다. DP[1] = A[1]; // 1: 1까지의 최대 합 ll maxval; maxval = A[1]; // 상태 전이 식은 아래와 같이 정의할 수 있다. // DP[i] = max(DP[i], DP[j] + A[i]) (Only A[j] < A[i] 인 경우에만) for(int i = 2; i <= N; ++i) { for(int j = 0; j <= i; ++j) { if(A[j] < A[i]) { DP[i] = max(DP[i], DP[j] + A[i]); } } if (DP[i] > maxval) maxval = DP[i]; } printf("%lld\n", maxval); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week2_1" title: "구름톤 챌린지 2주 차 학습 일기 - 1" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-21T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week2_1/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week2_1/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 2주 차 학습 일기 - 1 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 문자열 나누기 - 문제 링크: ### 풀이 접근 이 문제의 경우 1주차보다 난이도가 있는 문제이지만, 여전히 특별한 알고리즘을 사용한다기보다는 `PS`의 기초가 되는 완전탐색을 해서 풀이하는 문제이다. 문자열을 3부분으로 하나 이상의 문자열을 포함해서 나누는 것의 완전탐색은 일종의 `well-known` 알고리즘이다. 빠짐없이 모든 경우의 수를 순회하려면, 사이를 칸막이 치는 느낌으로 변수 i, j를 도입하면 되는데, `i`는 $[1, N - 1)$ 범위로, `j`는 $[i + 1, N)$ 범위로 순회해주면 된다. 2중 루프를 도는 풀이로 보여서 시간복잡도가 $O(N^2)$으로 보이지만, 사실 `substr`의 시간복잡도가 $O(N)$이기 때문에, 아래 샘플 코드의 전체 시간복잡도는 $O(N^3)$이 된다. 어라? 너무 큰 거 아닌가? 싶지만 이 비효율적인 시간복잡도에도 문제 조건에서 $N \leq 100$ 이기 때문에 충분히 통과하는 코드이다. 최종적인 답을 구하기 위해 `set` 내에서 자기 자신이 몇 번째에 위치하는지 찾기 위해서는 `distance` 함수를 사용하면 되고, 만약 $N$ 조건이 빡세다면, `PBDS Set`을 활용해서 시간복잡도를 더 떨굴 수도 있겠다. ### 샘플 정답 코드 ```cpp #include using namespace std; int main() { int N; scanf("%d", &N); char buf[110]; scanf("%s", buf); string full = buf; set mlist; for(int i = 1; i < N - 1; ++i) { for(int j = i + 1; j < N; ++j) { string a = full.substr(0, i); string b = full.substr(i, j - i); string c = full.substr(j); mlist.insert(a); mlist.insert(b); mlist.insert(c); } } int maxidx = 0; for(int i = 1; i < N - 1; ++i) { for(int j = i + 1; j < N; ++j) { string a = full.substr(0, i); string b = full.substr(i, j - i); string c = full.substr(j); int aidx = distance(mlist.begin(), mlist.find(a)) + 1; int bidx = distance(mlist.begin(), mlist.find(b)) + 1; int cidx = distance(mlist.begin(), mlist.find(c)) + 1; if (aidx + bidx + cidx > maxidx) maxidx = aidx + bidx + cidx; } } printf("%d\n", maxidx); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week1_5" title: "구름톤 챌린지 1주 차 학습 일기 - 5" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-18T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week1_5/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week1_5/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 1주 차 학습 일기 - 5 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 이진수 정렬 - 문제 링크: ### 풀이 접근 이 문제는 단순 정렬을 구현하는 문제이다. 정렬 조건을 커스텀하기 위해, 구조체를 하나 만들어서 그 구조체의 `operator`를 `overloading` 해서 구현하는 방법을 나는 주로 사용한다. 문제에서 정렬 조건은 두가지가 있으며, 1이 동일할 때 2를 적용한다. 1. 수에 포함된 1의 수가 많은 순으로 내림차순 정렬 2. 그 수 자체가 큰 순으로 내림차순 정렬 1의 구현은 `gcc`의 경우에 내장함수인 `__builtin_popcount`를 사용하면 된다. 정렬 뒤 K번째 원소를 출력하면 된다. 시간복잡도는 $O(N \log N)$이 이다. ### 샘플 정답 코드 ```cpp #include using namespace std; struct Number { int v; bool operator<(const struct Number& t) const { if (__builtin_popcount(v) != __builtin_popcount(t.v)) return __builtin_popcount(v) > __builtin_popcount(t.v); return v > t.v; } }; int main() { int N, K; scanf("%d %d", &N, &K); vector A; for(int i = 0; i < N; ++i) { int tmp; scanf("%d", &tmp); A.push_back({tmp}); } sort(A.begin(), A.end()); printf("%d\n", A[K - 1].v); return 0; } ``` --- --- id: "imported/blog/study/til/python_basic" title: "나만 보는 Python 배움 과정" description: "PS 뿐만 아니라 ML 분야에서도 Python이 대세이니, 그리고 현업에서 사용하고 있지 않기 때문에 조금씩 관련 내용을 정리하려고 한다." kind: "record" published: "2023-08-18T00:00:00.000Z" tags: ["python","PS"] url: "https://www.readiz.com/blog/study/til/python_basic/" markdownUrl: "https://www.readiz.com/blog/study/til/python_basic/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 나만 보는 Python 배움 과정 PS 뿐만 아니라 ML 분야에서도 `Python`이 대세이니, 그리고 현업에서 사용하고 있지 않기 때문에 조금씩 관련 내용을 정리하려고 한다. ## 입력 받기 - 숫자 하나 받기 ```python N = int(input()) ``` - 고정 수의 요소 받기 ```python a, b, c = map(int, input().split()) ``` - 한 줄로 오는 여러 수 받기 ```python my_list = list(map(int, input().split())) ``` - 여러 줄로 오는 수를 받기 ```python my_list = [int(input()) for _ in range(N)] ``` - 빈값으로 초기화 ```python empty_list = [0 for _ in range(N)] ``` ### 참고할 만한 링크 - 다차원 배열 초기화: --- --- id: "imported/blog/history/grt/grt-week1_4" title: "구름톤 챌린지 1주 차 학습 일기 - 4" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-17T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week1_4/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week1_4/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 1주 차 학습 일기 - 4 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 완벽한 햄버거 만들기 - 문제 링크: ### 풀이 접근 이 문제의 경우 사람이 `완벽한 햄버거` 를 판정한다면 어떻게 할 수 있을지 생각해보면 쉽다. 우선, 최대값을 찾는다. 그리고, 최대값 좌/우측으로 그 값보다 같거나 작은 값이 계속해서 나와야 한다는 사실을 관찰할 수 있다. 즉, `투 포인터` 를 사용하는 느낌으로 풀면 되는 문제이며, 시간복잡도는 $O(N)$이 된다. 아직 `Python`이 익숙하지 않기 때문에 이 문제는 기존처럼 `C++`로 풀이해보았다. ### 샘플 정답 코드 ```cpp #include using namespace std; int main() { int N; scanf("%d", &N); vector A; int maxval = 0; int maxpos = -1; int sum = 0; for(int i = 0; i < N; ++i) { int tmp; scanf("%d", &tmp); A.push_back(tmp); sum += tmp; if (tmp > maxval) { maxpos = i; maxval = tmp; } } bool flag = true; for(int i = maxpos; i >= 1; --i) { if (A[i - 1] <= A[i]) continue; flag = false; } for(int i = maxpos; i < N - 1; ++i) { if (A[i] >= A[i + 1]) continue; flag = false; } if (flag) { printf("%d\n", sum); } else { printf("0\n"); } return 0; } ``` --- --- id: "imported/blog/history/boj/boj-1699" title: "BOJ 1699 (제곱수의 합)" description: "오랜만에 tag: DP로 검색해서 풀어본 문제. DP 문제는 실버까지는 굉장히 재미있다. 골드부터는 관찰이 좀 어려워져서 풀이가 힘들지만.. (23년 8월 기준) PS의 빈출 영역이기 때문에 꾸준히 연습해야 한다." kind: "record" published: "2023-08-16T00:00:00.000Z" tags: ["PS","BOJ","DP"] url: "https://www.readiz.com/blog/history/boj/boj-1699/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-1699/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 1699 (제곱수의 합) - 문제 제목: 제곱수의 합 - 문제 링크: 오랜만에 tag: DP로 검색해서 풀어본 문제. DP 문제는 실버까지는 굉장히 재미있다. 골드부터는 관찰이 좀 어려워져서 풀이가 힘들지만.. (23년 8월 기준) PS의 빈출 영역이기 때문에 꾸준히 연습해야 한다. ## 풀이 이 문제 같은 경우 수의 범위에 주목해보면 $N \leq 10000$ 인데, $O(N^2)$로는 `TLE`가 된다. 그래서 조금 머리를 굴려보면, 루프 안쪽에서 돌 때는 수의 범위가 제곱수이므로 $O(N \sqrt N)$의 풀이법을 떠올릴 수 있었다. ### 1차 정답 코드 다만 모든 `N`에 대해서 최소가 되는 제곱 수의 합으로 몇번만에 업데이트 되는지에 대한 확신이 없어서 `set`을 섞어서 풀이했다. 나중에 생각해보니 필요가 없는 과정이었지만.. ```cpp #include using namespace std; typedef long long ll; typedef unsigned long long ull; int main() { int N; scanf("%d", &N); vector v; v.resize(N + 1); fill(v.begin(), v.end(), 100000); vector squares; vector tmp; tmp.resize(N + 1); set S; for(int i = 1; i <= N; ++i) S.insert(i); for(int i = 1; i * i <= N; ++i) { v[i*i] = 1; squares.push_back(i*i); S.erase(i*i); } while(S.size() > 0) { for(int i = 1; i <= N; ++i) { for(auto& s: squares) { if (i + s <= N) { if (v[i + s] > v[i] + 1) { v[i + s] = v[i] + 1; S.erase(i + s); } } else { break; } } } } printf("%d\n", v[N]); return 0; } ``` ### 최종 정답 코드 위 코드가 깔끔하지 못해서 `set`을 사용한 부분을 어떻게 제거할지 고민해보니 적절한 초기값 세팅으로 `set`을 없앨 수 있었다. 초기값은 $1 = 1^2$임을 이용해서 세팅한다. 아래 코드가 최종 제출 코드. ```cpp #include using namespace std; typedef long long ll; typedef unsigned long long ull; int main() { int N; scanf("%d", &N); int dp[100001]; for(int i = 0; i <= N; ++i) dp[i] = i; for(int i = 0; i <= N; ++i) { for(int j = 2; j * j <= N; ++j) { int s = j * j; if (i + s <= N) { if (dp[i + s] > dp[i] + 1) { dp[i + s] = dp[i] + 1; } } else { break; } } } printf("%d\n", dp[N]); return 0; } ``` --- --- id: "imported/blog/history/grt/grt-week1_3" title: "구름톤 챌린지 1주 차 학습 일기 - 3" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-16T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week1_3/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week1_3/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 1주 차 학습 일기 - 3 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: - 풀이 사용 컨테이너(구름 컨테이너): ## 문제 풀이 - 문제 제목: 합 계산기 - 문제 링크: ### 풀이 접근 이 문제의 경우는 조금 복잡해 보이지만, 결국 구현 문제이다. 그리고, `Python`에 내장된 `eval`을 활용하면, 생각보다 쉽게 구현이 가능하다. 명령어 수 N을 입력으로 받은 뒤, `eval` 함수를 통해, row 별로 계산 값을 구한다. 그리고 그 값이 소수가 되면 안되므로 `int` 형으로 변환한 뒤 합을 계속 계산하면 된다. ### 샘플 정답 코드 ```python N=int(input()) sum=0 for _ in range(N): cur=int(eval(input())) sum+=cur print(sum) ``` --- --- id: "imported/blog/history/grt/grt-week1_2" title: "구름톤 챌린지 1주 차 학습 일기 - 2" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-15T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week1_2/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week1_2/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 1주 차 학습 일기 - 2 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여 중이다. 이벤트 기간 동안 문제가 꾸준이 올라오며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: ## 문제 풀이 - 문제 제목: 프로젝트 매니징 - 문제 링크: ### 풀이 접근 이 문제의 경우, 1일차 문제보다 다소 입력이 많아졌지만, 역시나 간단하게 제시된 대로 구현만 하면 되는 문제이다. 문제에서는 1번 기능부터 순서대로 개발한다고 되어 있지만, 사실 순서는 중요치 않고 기능을 개발하는 데에 걸리는 총 시간 합이 중요할 것이다. 편의상, 문제에서 주어진 개발 시작 시간을 $StartTime = T \times 60 + M$ 이라고 정의하면, 개발이 완료된 시간 $FinishTime$은 아래처럼 구해진다. - $FinishTime = StartTime + \sum C_i$ 이제 구해진 $FinishTime$을 출력 시간 체계인 $HH:MM$으로 나타내주기만 하면 된다. 단, $HH$가 24를 넘어가면 날짜가 바뀌므로 24로 나눈 나머지를 출력해야한다. ### 샘플 정답 코드 ```python N=int(input()) T,M=map(int,input().split()) C=[int(input()) for _ in range(N)] time=T*60+M for i in range(N): time += C[i] M=time%60 T=time//60%24 print(str(T) + ' ' + str(M)) ``` `Python`의 경우 여러 줄의 입력을 하나의 배열로 받으려면 위와 같이 `for`문을 `inline`으로 활용하면 된다. 만약 한 줄로 온다면 `map`과 `list` 함수를 조합하면 된다. --- --- id: "imported/blog/history/grt/grt-week1_1" title: "구름톤 챌린지 1주 차 학습 일기 - 1" description: "구름 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여하려고 한다. 이번주부터 1주차이며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다." kind: "record" published: "2023-08-14T00:00:00.000Z" tags: ["PS","구름톤"] url: "https://www.readiz.com/blog/history/grt/grt-week1_1/" markdownUrl: "https://www.readiz.com/blog/history/grt/grt-week1_1/index.md" recordFolder: "풀이 기록/구름톤" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2F%EA%B5%AC%EB%A6%84%ED%86%A4" --- # 구름톤 챌린지 1주 차 학습 일기 - 1 ## 구름톤 챌린지란? `구름` 이라는 곳에서 문제 풀이 챌린지(구름톤 챌린지)를 한다고 해서 참여하려고 한다. 이번주부터 1주차이며, 주에 2회씩 (혹은 그 이상) 챌린지 문제들에 대해 풀이가 가능한 문제들을 풀이해보고, 후기를 남겨보려고 한다. - 문제 푸는 곳: - 학습 일기 작성 가이드: ## 문제 풀이 - 문제 제목: 운동 중독 플레이어 - 문제 링크: ### 풀이 접근 이 문제의 경우, 문제에서 아래와 같은 식을 확인할 수 있다. 단순히 입력받은 숫자를 아래 수식에 대입하기만 하면 정답이 된다. - $W \times (1 + \frac R {30})$ 주의해야 할 점은, 최종 정답을 소수점 자리를 제거하고 정수만 출력하라고 했지, 중간 과정에서 소수점을 짤라먹어도 된다고는 하지 않았다는 것이다. 따라서, R, W의 입력은 `C++`의 경우 `double`과 같은 자료형으로 계산하다가, 최종 출력을 `int`와 같은 정수형으로 해야겠다. `Python`의 경우 `/` 을 사용해서 소수점 연산을 하고, 최종적으로 `int`로 형변환 하면 된다. (또는 formatting 함수를 쓰면 된다) 이 문제의 경우 간단했기 때문에 굳이 `C++`을 사용하지 않고 `Python`을 사용해서 작성했다. `구름 IDE`를 통해 작성하면 되었기 때문에 따로 추가적인 툴을 PC에 설치할 필요는 없었다. ### 샘플 정답 코드 ```python w, r = map(int, input().split()) ans = w * (1 + r / 30) print(int(ans)) ``` `Python`의 경우 `C++`과 다르게 한 줄의 여러 정수를 입력받으려면, `split()` 함수를 활용해서 나눠받아야 한다는 것에 유의. --- --- id: "imported/ps/algorithm/graph/bipartite-matching" title: "Bipartite Matching" description: "Bipartite Matching 관련 기록." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/bipartite-matching/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/bipartite-matching/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Bipartite Matching ## Bipartite Matching - 이분매칭, 이분 그래프가 주어졌을 때 최대 Matching을 찾는 것 - 시간 복잡도는 BFS(Edmonds-Karp), DFS(Ford-Fulkerson) 동일하지만 DFS 방법이 코드가 더 간결하고 성능도 우수 ```cpp ``` ## Time Complexity - Basic Flow Algorithm (Reference): $O(fE)$ - Worst: $O(VE)$ - 이분그래프에서 $f \leq V$ 이기 때문 - 디닉을 끼얹으면 Hopcroft-Karp Algorithm이라고 하며, 시간복잡도는 $O(E\sqrt V)$가 된다고 함 --- --- id: "imported/ps/algorithm/graph/dinic" title: "Dinic" description: "Dinic 관련 기록." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/dinic/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/dinic/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Dinic ## Dinic Algorithm - Graph에 Level을 부여해서 BFS + DFS 를 짬뽕해 구현한 Edmonds-Karp Algorithm을 개선한 알고리즘 - BFS + DFS 알고리즘이라고 기억하자. - Level Graph를 그리는데에 BFS를, 실제로 유량을 흘려줄 때 DFS를 쓴다. - Level Graph를 그린 이후에 더이상 흘릴 유량이 없을 때까지 DFS를 반복 ```cpp // 함수 1. BFS int makeLevelGraph() { fill(level, level + MAX_V, -1); // bfs queue q; q.push(S); level[S] = 0; while(q.size()) { int cur = q.front(); q.pop(); for(auto& e: adj[cur]) { if (level[e.t] != -1 && e.getResidual() > 0) { level[e.t] = level[cur] + 1; q.push(e.t); } } } return (level[T] != -1); } // 함수2. DFS int dfsFlow(int from, int cFlow) { if (from == T) return cFlow; // dfs 종료조건 // &i : 탐색 캐시를 위한 테크닉 for(int &i = adjStart[from]; adj[from].size(); ++i) { auto& e = adj[from][i]; if (level[e.t] == level[from] + 1 && e.getResidual() > 0) { int minFlow = min(cFlow, e.getResidual()); int tmp = dfsFlow(e.t, minFlow); if (tmp > 0) { e.flow += tmp; e.back->flow -= tmp; return tmp; // 경로 하나 찾으면 리턴. 어차피 dfs 반복함. } } } return 0; // 흘릴 유량이 없으면 0 } // 아래가 이제 로직 사용 부분 int totalFlow = 0; while(makeLevelGraph()) { fill(adjStart, adjStart + MAX_V, 0); // 탐색 cache while(true) { int curFlow = dfsFlow(S, INF); if (curFlow == 0) break; totalFlow += curFlow; } } ``` ## Time Complexity - Basic Flow Algorithm (Reference): $O(fE)$ - Worst: $O(V^2E)$ (상한) - Flow Graph에서 $V < E$ 이므로(아니라면 Flow를 쓸 이유가..), Edmonds-Karp 보다 빠르다고 할 수 있다. --- --- id: "imported/ps/algorithm/graph/edmonds-karp" title: "Edmonds-Karp" description: "Ford-Fulkerson 방법을 BFS로 구현한 것을 Edmonds-Karp Algorithm이라고 한다." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/edmonds-karp/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/edmonds-karp/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Edmonds-Karp ## Edmonds-Karp Ford-Fulkerson 방법을 BFS로 구현한 것을 Edmonds-Karp Algorithm이라고 한다. ```cpp ``` ## Time Complexity - Basic Flow Algorithm (Reference): $O(fE)$ - Worst: $O(VE^2)$ (상한 - 실제로는 더 빠르다.) - 증가 경로를 최대 $VE$ 번 이상 찾지 않고(증명되어 있음), 한번 찾을때 최대 $E$ 개의 Edge를 거칠 수 있으므로 나오는 시간복잡도 --- --- id: "imported/ps/algorithm/graph/mcmf" title: "MCMF" description: "MCMF 관련 기록." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/mcmf/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/mcmf/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # MCMF ## MCMF - ## Time Complexity - Average: $O(fVE)$ --- --- id: "imported/ps/algorithm/sort/merge" title: "Merge Sort" description: "Merge Sort 관련 기록." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/sort/merge/" markdownUrl: "https://www.readiz.com/notes/algorithm/sort/merge/index.md" recordFolder: "알고리즘/정렬" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%A0%95%EB%A0%AC" --- # Merge Sort ## Merge Sort ```cpp T tmp[MAX_SIZE]; // 실제 data size 만큼의 tmp 배열이 추가로 필요함 void mergeSort(int s, int e) { if (s >= e) return; } ``` ## Time Complexity - Average: $O(N\log N)$ - Worst: $O(N\log N)$ --- --- id: "imported/ps/algorithm/sort/radix" title: "Radix Sort" description: "Radix Sort 관련 기록." kind: "record" published: "2023-08-08T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/sort/radix/" markdownUrl: "https://www.readiz.com/notes/algorithm/sort/radix/index.md" recordFolder: "알고리즘/정렬" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%A0%95%EB%A0%AC" --- # Radix Sort ## Radix Sort - 비교기반 정렬이 아님. 일종의 비대칭 무기 - 10진법이 아니라 K진법을 쓰게 하면, `int32_t` 범위 내에서 오히려 기존 Sort보다 앞서는 성능을 보임 - k진법에서 각 자리수의 cnt를 저장한 뒤 재배치하도록 하면, 메모리 공간도 $O(N)$ 으로 구현가능 ```cpp ``` ## Time Complexity - Worst: $O(N + K)$ --- --- id: "imported/ps/algorithm/general/binarysearch" title: "Binary Search" description: "Binary Search의 구현에 관한 정리. 주제 자체는 solved.ac 기준 실버 티어 정도일 수도 있겠지만, 제대로 쓰기까지 상당한 시간이 걸리는 주제이기도 하다. 또, 각종 알고리즘에서 뜬금없이 튀어나오는 1순위. O(n)을 O(log n)으로 줄여주는 강력한 무기." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: ["binary search","lower bound","upper bound"] url: "https://www.readiz.com/notes/algorithm/general/binarysearch/" markdownUrl: "https://www.readiz.com/notes/algorithm/general/binarysearch/index.md" recordFolder: "알고리즘/일반" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%9D%BC%EB%B0%98" --- # Binary Search Binary Search의 구현에 관한 정리. 주제 자체는 `solved.ac` 기준 실버 티어 정도일 수도 있겠지만, 제대로 쓰기까지 상당한 시간이 걸리는 주제이기도 하다. 또, 각종 알고리즘에서 뜬금없이 튀어나오는 1순위. `O(n)`을 `O(log n)`으로 줄여주는 강력한 무기. # TL;DR ## Find ```cpp bool find(int v) { int l = 0; int r = N - 1; while (l <= r) { int m = (l + r) / 2; // overflow prevent: l + (r - l) / 2; if (arr[m] == v) return true; if (arr[m] < v) { l = m + 1; } else { r = m - 1; } } return false; } ``` ## Lower Bound ```cpp int lb(int v) { int l = 0; int r = N - 1; int ans = -1; while (l <= r) { int m = (l + r) / 2; // overflow prevent: l + (r - l) / 2; if (arr[m] >= v) { r = m - 1; ans = m; } else { l = m + 1; } } return ans; } ``` ## Upper Bound ```cpp int lb(int v) { int l = 0; int r = N - 1; int ans = -1; while (l <= r) { int m = (l + r) / 2; // overflow prevent: l + (r - l) / 2; if (arr[m] > v) { r = m - 1; ans = m; } else { l = m + 1; } } return ans; } ``` # 알고리즘 정리 ## 서론 Binary Search는 항상 구현이 헷갈린다. 범위를 어디까지 해야하는지, `l`, `r` 설정은 어떻게 해야하는지 등등... 여기서 그런 부분들을 한번 정리하고 넘어가고자 한다. ## Binary Search의 STL 사용 구현 우선 표준이 되는 `STL`을 사용한 Binary Search 사용법을 확인해보자. 사용할 때 `vector`는 정렬이 되어 있어야 한다. `binary_search`는 찾고자 하는 값이 있는지 없는지 여부를 반환한다. ```cpp bool isExist = binary_search(v.begin(), v.end(), tval); ``` `lower_bound`는 찾고자 하는 값보다 `크거나 같은` 값이 처음으로 나오는 시점을 반환한다. 반환값 형태는 `iterator`이다. ```cpp auto it = lower_bound(v.begin(), v.end(), tval); ``` `upper_bound`도 거의 동일하지만 `크거나 같은` 이 아닌 `큰` 이다. 사용법은 완전히 동일하다. (결과만 달라진다) ```cpp auto it = upper_bound(v.begin(), v.end(), tval); ``` `Binary Search`의 의의는 원소를 찾을 때 전체 원소(`O(n)`)를 찾지 않아도 됨에 그 의의가 있다. 절반씩 찾을 원소가 줄어드므로 `Master Theorem`에 의해 시간복잡도가 `O(log n)`으로 줄어들게 된다. ## Binary Search의 직접구현 직접 구현시에 신경써야 할 포인트들이 많이 있다. ### loop시 l, r 조정 문제 오름차순으로 정렬된 `arr[]`에서, 원소를 찾으면 원소 index, 못찾으면 -1을 리턴하는 예시를 보자. ```cpp // [s, e] 구간 사용 int binarySearch(int arr[], int s, int e, int tval) { int l = s, int r = e, mid; while (l <= r) { mid = (l + r) >> 1; if (tval == arr[mid]) return mid; else if (tval < arr[mid]) { r = mid - 1; } else { l = mid + 1; } } return -1; } ``` 표로 하나 예시를 살펴보자. | index | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | | :-------- | :-: | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | **value** | 5 | 8 | 10 | 14 | 17 | 20 | 22 | 25 | 이 경우, `10`을 찾는다고 가정해보자. 1. 첫번째 loop에서의 각 param 값은 아래와 같다. - l: 0 - r: 7 - mid: 3 - 결과: `arr[3] = 14 > 10` 이므로, `r` 이 `2`로 조정된다. 2. 두번째 loop는 아래와 같이 된다. - l: 0 - r: 2 - mid: 1 - 결과: `arr[1] = 8 > 10` 이므로, `l`이 `2`로 조정된다. 3. 세번째 loop는 `l` == `r` == `2`이므로, 값을 찾고 종료된다. 즉, 오름차순 정렬된 배열 기준으로, 중앙을 봤을 때 그 값이 찾는 값보다 더 크면 타겟값은 좌측에 있을 것이라 생각할 수 있으므로 `r`이 조정되는 것이며, 반대의 경우 `l`이 조정된다고 할 수 있다. ### lower_bound와 upper_bound의 실 구현 이 경우 더 분기를 줄이는 방법도 있지만, 구현이 쉬운 방법으로 아래처럼 `binarySearch` 함수를 변경해볼 수 있다. ```cpp // [s, e) 구간 사용 int lowerBound(int arr[], int s, int e, int tval) { int l = s, int r = e, mid, ans = e; // ans의 초기값에 유의 while (l <= r) { mid = (l + r) >> 1; if (tval == arr[mid]) { ans = mid; r = mid - 1; // 만약 원소가 1 2 3 3 3 3 3 4 5 처럼 되어 있다면, 처음 찾은 3보다 더 왼쪽에 3이 또 있을 수 있다. 그래서 구간을 왼쪽으로 해서 계속 탐색한다. } else if (tval < arr[mid]) { ans = mid; // 여기에도 있어야 한다. r = mid - 1; } else { l = mid + 1; } } return ans; } ``` `lower_bound`의 경우 위처럼만 수정하면 된다. 같을때 `return` 하는 것이 아니라 더 찾는 것이 포인트. `upper_bound`는 아래처럼 해볼 수 있다. ```cpp // [s, e) 구간 사용 int upperBound(int arr[], int s, int e, int tval) { int l = s, int r = e, mid, ans = e; // ans의 초기값에 유의 while (l <= r) { mid = (l + r) >> 1; if (tval == arr[mid]) { // lowerBound 구현 대비 달라지는 부분 l = mid + 1; // 더 큰걸 찾는 거니까 좌측이 아닌 우측으로 계속해서 보면 된다. (lowerBound는 경계값에서 좌측, upper는 우측) } else if (tval < arr[mid]) { ans = mid; r = mid - 1; } else { l = mid + 1; } } return ans; } ``` `ans` 를 업데이트 하는 부분만 변경되기 때문에 쉽게 확인해볼 수 있다. `tval == arr[mid]` 부분의 구현만 달라지고, 직관적으로 이해할 수 있다. `lower_bound`는 경계값을 업데이트 하지만, `upper_bound`는 아니다. ## Time Complexity - Find: $O(\log N)$ - LowerBound: $O(\log N)$ - UpperBound: $O(\log N)$ --- --- id: "imported/ps/algorithm/graph/dijkstra" title: "Dijkstra" description: "Dijkstra 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/dijkstra/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/dijkstra/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Dijkstra ## Dijkstra Algorithm - adj\[v] = {next, dist} - 음수 간선이 있으면 안됨. ```cpp int d[MAX_V], visited[MAX_V]; fill(d, d + MAX_V, INF); fill(visited, visited + MAX_V, 0); d[S] = 0; priority_queue pq; pq.push({0, S}); while(pq.size()) { auto cur = pq.top(); pq.pop(); int v = cur.second; if (visited[v]) continue; visited[v] = 1; for(auto& t: adj[v]) { int newDist = -cur.first + t.second; if (newDist < d[t.first]) { d[t.first] = newDist; pq.push({-newDist, t.first}); } } } ``` ## Shortest Path Construction ```cpp int d[MAX_V], visited[MAX_V], pre[MAX_V]; fill(d, d + MAX_V, INF); fill(pre, pre + MAX_V, -1); fill(visited, visited + MAX_V, 0); d[S] = 0; priority_queue pq; pq.push({0, S}); while(pq.size()) { auto cur = pq.top(); pq.pop(); int v = cur.second; if (visited[v]) continue; visited[v] = 1; for(auto& t: adj[v]) { int newDist = -cur.first + t.second; if (newDist < d[t.first]) { d[t.first] = newDist; pre[t.first] = v; pq.push({-newDist, t.first}); } } } vector getPath(int t) { vector res; for(int p = t; p != S; p = pre[p]) { res.push_back(p); } res.push_back(S); reverse(res.begin(), res.end()); return res; } ``` ## Time Complexity - $O((V+E)\log V)$ --- --- id: "imported/ps/algorithm/graph/floyd" title: "Floyd Warshall" description: "Floyd Warshall 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/floyd/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/floyd/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # Floyd Warshall ## Floyd Warshall Algorithm ```cpp int d[MAX_V][MAX_V]; for(int k = 0; k < MAX_V; ++k) { for(int i = 0; i < MAX_V; ++i) { for(int j = 0; j < MAX_V; ++j) { int newDist = d[i][k] + d[k][j]; if (newDist < d[i][j]) { d[i][j] = newDist; } } } } ``` ## Shortest Path Construction ```cpp int d[MAX_V][MAX_V]; int next[MAX_V][MAX_V]; for(int i = 0; i < MAX_V; ++i) { for(int j = 0; j < MAX_V; ++j) { next[i][j] = j; } } for(int k = 0; k < MAX_V; ++k) { for(int i = 0; i < MAX_V; ++i) { for(int j = 0; j < MAX_V; ++j) { int newDist = d[i][k] + d[k][j]; if (newDist < d[i][j]) { d[i][j] = newDist; next[i][j] = next[i][k]; } } } } vector getPath(int i, int j) { vector res; res.push_back(i); while(i != j) { res.push_back(next[i][j]); i = next[i][j]; } return res; } ``` ## Time Complexity - Obviously, $O(V^3)$ --- --- id: "imported/ps/algorithm/graph/spfa" title: "SPFA" description: "SPFA 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/graph/spfa/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/spfa/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # SPFA ## Shortest Path Faster Algorithm - adj\[v] = {next, dist} - 음수 간선이 있어도 사용 가능 - 사이클을 잡기 위해서 각 정점의 방문 수를 체크해서 MAX_V보다 커지면 탈출한다. - 평균적으로 수행 시간이 빠른 알고리즘 ```cpp int d[MAX_V], inQ[MAX_V]; fill(d, d + MAX_V, INF); fill(inQ, inQ + MAX_V, 0); d[S] = 0; inQ[S] = 1; queue q; q.push(S); while(q.size()) { auto cur = q.top(); q.pop(); inQ[cur] = 0; // Check Negative Loop here if you want // if (++cnt[cur] >= MAX_V || d[cur] < -INF) ~ for(auto& t: adj[cur]) { int newDist = d[cur] + t.second; if (newDist < d[t.first]) { d[t.first] = newDist; if (inQ[t.first] == 0) { q.push(t.first); inQ[t.first] = 1; } } } } ``` ## Shortest Path Construction ```cpp int d[MAX_V], inQ[MAX_V], pre[MAX_V]; fill(d, d + MAX_V, INF); fill(inQ, inQ + MAX_V, 0); fill(pre, pre + MAX_V, -1); d[S] = 0; inQ[S] = 1; queue q; q.push(S); while(q.size()) { auto cur = q.top(); q.pop(); inQ[cur] = 0; // Check Negative Loop here if you want // if (++cnt[cur] >= MAX_V || d[cur] < -INF) ~ for(auto& t: adj[cur]) { int newDist = d[cur] + t.second; if (newDist < d[t.first]) { d[t.first] = newDist; pre[t.first] = cur; if (inQ[t.first] == 0) { q.push(t.first); inQ[t.first] = 1; } } } } vector getPath(int t) { vector res; for(int p = t; p != S; p = pre[p]) { res.push_back(p); } res.push_back(S); reverse(res.begin(), res.end()); return res; } ``` ## Time Complexity - Worst: $O(VE)$ - Best: $O(V + E)$ --- --- id: "imported/ps/algorithm/sort/bubble" title: "Bubble Sort" description: "Bubble Sort 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/sort/bubble/" markdownUrl: "https://www.readiz.com/notes/algorithm/sort/bubble/index.md" recordFolder: "알고리즘/정렬" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%A0%95%EB%A0%AC" --- # Bubble Sort ## Bubble Sort ```cpp void sort() { for(int i = 0; i < N; ++i) { for(int j = i + 1; j < N; ++j) { if (data[i] > data[j]) { auto tmp = data[i]; data[i] = data[j]; data[j] = tmp; } } } } ``` ## Time Complexity - Average: $O(N^2)$ - Worst: $O(N^2)$ --- --- id: "imported/ps/algorithm/sort/quick" title: "Quick Sort" description: "Quick Sort 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/algorithm/sort/quick/" markdownUrl: "https://www.readiz.com/notes/algorithm/sort/quick/index.md" recordFolder: "알고리즘/정렬" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%A0%95%EB%A0%AC" --- # Quick Sort ## Quick Sort ```cpp void qSort(int s, int e) { if (s >= e) return; int l = s, r = e; auto pivot = data[(l+r)/2]; while(l < r) { while(pivot < data[r]) --r; while(data[l] < pivot) ++l; if (l >= r) break; auto tmp = data[l]; data[l] = data[r]; data[r] = tmp; ++l, --r; } qSort(s, r); qSort(l, e); } ``` ## Time Complexity - Average: $O(N\log N)$ - Worst: $O(N^2)$ --- --- id: "imported/ps/data-structure/container/queue" title: "Queue" description: "Queue 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/container/queue/" markdownUrl: "https://www.readiz.com/notes/data-structure/container/queue/index.md" recordFolder: "자료구조/컨테이너" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%EC%BB%A8%ED%85%8C%EC%9D%B4%EB%84%88" --- # Queue ## Circular Queue ```cpp constexpr int MAX_QUEUE = 1'000'000; template struct Queue { T q[MAX_QUEUE]; int qf, qr; // queue front, rear void init() { qf = qr = 0; } bool isEmpty() { return qf == qr; } void insert(T v) { q[qr++] = v; qr %= MAX_QUEUE; } T pop() { T res = q[qf++]; qf %= MAX_QUEUE; return res; } }; ``` ## Time Complexity - Insert: $O(1)$ - Pop: $O(1)$ --- --- id: "imported/ps/data-structure/container/vector" title: "Vector" description: "Vector 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/container/vector/" markdownUrl: "https://www.readiz.com/notes/data-structure/container/vector/index.md" recordFolder: "자료구조/컨테이너" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%EC%BB%A8%ED%85%8C%EC%9D%B4%EB%84%88" --- # Vector ## Simple Vector ```cpp template struct Vector { T *data; int capa, size; Vector() { capa = 10; size = 0; data = new T[capa]; } void insert(T v) { if (capa == size) { auto old = data; data = new T[capa * 2]; for(int i = 0; i < capa; ++i) data[i] = old[i]; capa *= 2; delete[] old; } data[size++] = v; } bool erase(T v) { // Erase 1st element that is matched for(int i = 0; i < size; ++i) { if (data[i] == v) { data[i] = data[--size]; return true; } } return false; } }; ``` ## Time Complexity - Insert: $O(1)$ - Erase: $O(n)$ --- --- id: "imported/ps/data-structure/special/bigint" title: "BigInt" description: "BigInt 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/special/bigint/" markdownUrl: "https://www.readiz.com/notes/data-structure/special/bigint/index.md" recordFolder: "자료구조/특수 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B9%EC%88%98+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # BigInt ## BigInt Basic ```cpp struct BigInt { // add // subtract // multiply // div (?) }; ``` ## Time Complexity - --- --- id: "imported/ps/data-structure/string/trie" title: "Trie" description: "Trie 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/string/trie/" markdownUrl: "https://www.readiz.com/notes/data-structure/string/trie/index.md" recordFolder: "자료구조/문자열" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%EB%AC%B8%EC%9E%90%EC%97%B4" --- # Trie ## Trie ```cpp ``` ## Time Complexity - Insert: --- --- id: "imported/ps/data-structure/tree/2d-fenwick" title: "2D-Fenwick Tree" description: "2D-Fenwick Tree 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/tree/2d-fenwick/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/2d-fenwick/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # 2D-Fenwick Tree ## 2D-Fenwick Tree ```cpp template struct Fenwick2D { // 1-indexed vector> data; int N, M; void init(int N, int M) { // Row: N / Column: M this->N = N; this->M = M; data.resize(N + 2); for(int i = 0; i < N + 2; ++i) { data[i].resize(M + 2); fill(data[i].begin(), data[i].end(), 0); } } void update(int r, int c, T v) { for(int cr = r; cr <= N; cr += cr & -cr) { for(int cc = c; cc <= M; cc += cc & -cc) { data[cr][cc] += v; } } } T get(int r, int c) { T res = 0; for(int cr = r; cr > 0; cr -= cr & -cr) { for(int cc = c; cc > 0; cc -= cc & -cc) { res += data[cr][cc]; } } return res; } }; ``` ## Time Complexity - Init: $O(NM)$ - Update: $O(\log N \times \log M)$ - Get: $O(\log N \times \log M)$ --- --- id: "imported/ps/data-structure/tree/fenwick" title: "Fenwick Tree" description: "Fenwick Tree 관련 기록." kind: "record" published: "2023-08-07T00:00:00.000Z" tags: [] url: "https://www.readiz.com/notes/data-structure/tree/fenwick/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/fenwick/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Fenwick Tree ## Fenwick Tree ```cpp template struct Fenwick { // 1-indexed T *data; int FMAX; void init(int N) { // Range: [1, N] FMAX = N; data = new T[FMAX + 2]; memset(data, 0, sizeof(T) * (FMAX + 2)); } void update(int idx, T v) { for(; idx <= FMAX; idx += idx & -idx) data[idx] += v; } T get(int idx) { T res = 0; for(; idx > 0; idx = idx & (idx - 1)) res += data[idx]; return res; } }; ``` ## Time Complexity - Init: $O(N)$ - Update: $O(\log N)$ - Get: $O(\log N)$ --- --- id: "imported/blog/study/til/mactips" title: "나만 보는 Mac 팁" description: "어언 나도 Mac 유저 2년차이다. 자꾸 기억을 까먹는 Mac 팁들을 정리한다." kind: "record" published: "2023-07-23T00:00:00.000Z" tags: ["mac","PS"] url: "https://www.readiz.com/blog/study/til/mactips/" markdownUrl: "https://www.readiz.com/blog/study/til/mactips/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 나만 보는 Mac 팁 # 나만 보는 Mac 팁들 어언 나도 Mac 유저 2년차이다. 자꾸 기억을 까먹는 Mac 팁들을 정리한다. ## 스크린샷 단축키 - Cmd + Control + Shift + 3 - 화면 전체를 캡쳐 + 클립보드로 - Cmd + Control + Shift + 4 - 영역을 지정해서 캡쳐 + 클립보드로 ## PS 기초 셋업 추후 자세한 사항은 다시 좀 더 풀어서 쓸 필요 있지만 개괄적으로는 아래처럼 설정한다. - CPH 설치 - Firefox 설치 (Codeforces Submit 용) - Browser Addon 설치 - GCC 설치 - Brew 통해서 설치하면 간단함 - 설치 이후 /opt/homebrew/bin/gcc 를 ln -s 명령어로 link 해서 사용도 가능하지만 시도는 안해봄 - Clang은 Debugging 시 사용가능하도록 설정할 것 (GDB 사용 불가, M1 기준) - 이후 VS Code의 빌드 기본값을 해당 경로로 사용하도록 지정 - Template 같은 것은 따로 사용할 수 있게 설정 가능 ### 참고할 만한 링크 - - GDB / LLDB: - CodeLLDB 라는 확장 있음 (VS Code) --- --- id: "imported/ps/algorithm/math/barrettreduction" title: "Barrett Reduction" description: "Assembly Level에서 가장 느린 Arithmetic 연산을 꼽으라고 한다면, modular 연산일 것이다. 보통 PS에서는 나눗셈 연산이 소수값이 나오지 않도록 하기 위해서 modular 연산을 한 값을 출력하도록 하는 경우가 많은데, 이 경우 일단 modular 연산 자체를 " kind: "record" published: "2023-07-18T00:00:00.000Z" tags: ["modular","bit"] url: "https://www.readiz.com/notes/algorithm/math/barrettreduction/" markdownUrl: "https://www.readiz.com/notes/algorithm/math/barrettreduction/index.md" recordFolder: "알고리즘/수학" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%88%98%ED%95%99" --- # Barrett Reduction ## Barrett Reduction `Assembly Level`에서 가장 느린 Arithmetic 연산을 꼽으라고 한다면, `modular` 연산일 것이다. 보통 PS에서는 나눗셈 연산이 소수값이 나오지 않도록 하기 위해서 modular 연산을 한 값을 출력하도록 하는 경우가 많은데, 이 경우 일단 modular 연산 자체를 줄이는게 첫번째고, 도저히 안될 경우 차선책으로 사용할 수 있는 방법이다. 이 방법은 modular 연산을 곱셈과 if 분기로 처리하게 된다. 단, modular를 수행할 값을 미리 알고 있어야 한다. (즉, `MOD`가 계속 바뀌면 안된다.) 또한, 이 MOD는 32비트 자료형 안에 들어갈 수 있는 자료형이어야 한다고 한다. 그리고, 비트연산을 활용하는 기법이기 때문에 128비트 자료형이 잠시 사용된다. MSVC에서는 변경이 필요할 것이다. ```cpp constexpr ll MOD = 1000000007; constexpr ll IMOD = 0xFFFFFFFFFFFFFFFF / MOD + 1; inline ll modular(ull n) { ull x = ull((__uint128_t(n) * IMOD) >> 64); unsigned int r = n - x * m; return m <= r ? x - 1 : x; } ``` 실제로 사용할 때는 ```cpp a = b % MOD; ``` 위 코드가 ```cpp a = modular(b); ``` 가 될 것이다. 물론 서두에 말한 것처럼 IMOD 값은 미리 계산되어 있어야 한다. 놀라운 점은 함수 안의 모양이 저렇게 복잡한데도 일반 modular 연산보다 빠른 결과가 나온다는 것.. ### 참고자료 - NyaanNyaan의 Library: --- --- id: "imported/ps/data-structure/special/pbds-set" title: "PBDS Set" description: "PBDS Set에 관한 간단한 정리. 알게 되었는데 정리 안하면 나중에 다시 맨땅에서 구글링 해야하므로 한번 알게 된 내용 정리하고 가보려고 한다." kind: "record" published: "2023-07-18T00:00:00.000Z" tags: ["PBDS","set","ordered set","data structure"] url: "https://www.readiz.com/notes/data-structure/special/pbds-set/" markdownUrl: "https://www.readiz.com/notes/data-structure/special/pbds-set/index.md" recordFolder: "자료구조/특수 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B9%EC%88%98+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # PBDS Set `PBDS Set`에 관한 간단한 정리. 알게 되었는데 정리 안하면 나중에 다시 맨땅에서 구글링 해야하므로 한번 알게 된 내용 정리하고 가보려고 한다. - gnu official design manual: - 관련 Codeforces 글: ## PBDS Set? PBDS는 Policy based data structures의 약자로, `g++`에서 `ext/pb_ds` 아래에 위치하는 데이터 구조를 칭한다. (MSVC에서는 사용이 어려울 듯) 보통 `PS`에서 이것을 사용하는 의의 중 하나는 기존 `STL Set`에서 지원하지 않는 `K`번째 크기가 큰(또는 작은) 원소를 빠르게 찾을 수 있게 하는 데이터 구조를 사용하기 위해 사용하는 것이다. ### 사용 방법 일반 `set`을 사용하는 느낌으로 사용할 수 있게 `define`해서 사용한다. 글 하단에 예시가 있다. 여기서는 `ordered_set`으로 사용한다. 일반 `set`에서 사용되는 `method`를 사용함과 더불어(심지어 `iterator`도 사용가능함을 확인했다) 추가로 사용되는 `method`는 `find_by_order(k)`와 `order_of_key(key)`이다. 이름 그대로, `k`번째 원소를 $O(\log n)$ 에 찾을 수 있게 하거나, `key`값을 주었을 때 그것이 몇번째 원소인지를 $O(\log n)$에 알게 해준다. 일반 `set`에서 같은 일을 할 수 있으려면 $O(n)$의 시간복잡도였던 것을 감안하면 큰 차이이다. ```cpp ordered_set X; X.insert(1); X.insert(2); X.insert(4); X.insert(8); X.insert(16); cout<<*X.find_by_order(1)< - 선언부 ```cpp #include #include using namespace __gnu_pbds; struct Node { int priority; // 높을수록 위쪽에 int id; bool operator<(const Node& t) const { if (priority != t.priority) return priority < t.priority; return id < t.id; } bool operator>(const Node& t) const { return t < *this; } }; #define ordered_set tree, rb_tree_tag,tree_order_statistics_node_update> ``` 여기서 사용한 구현체는 `rb_tree`이다. 그런데, 좀 찾아보니 이 구현체를 `splay_tree` 등으로도 바꿀 수 있는거 같다. 시간 제한이 빡빡하다면 이런 구현체를 바꿔가면서 테스트해봐도 좋을 듯. - 풀이 사용 ```cpp void solve() { ordered_set S; unordered_map M; int N, CASE; scanf("%d %d", &N, &CASE); for(int i = 1; i <= N; ++i) { auto res = S.insert({N - i + 1, i}); auto it = res.first; M.emplace(i, it); } // for(auto& it: S) { // printf("(%d, %d)\n", it.priority, it.id); // } int priority = N + 1; for(int i = 0; i < CASE; ++i) { int c; scanf("%d", &c); auto mit = M.find(c); auto sit = mit->second; M.erase(mit); // 아래 부분이 몇 번째 원소인지 빠르게 찾는 부분이다. 일반 set에는 없는 method int cdist = S.order_of_key(*sit); //distance(sit, S.end()); int cid = sit->id; S.erase(sit); auto res = S.insert({priority, cid}); auto it = res.first; priority++; M.emplace(cid, it); printf("%d ", N - cdist - 1); } printf("\n"); } ``` - BOJ 1572: 이 문제의 경우 딱 읽기만 해도 Ordered Set이 사용되면 편하게 풀 수 있겠다는 생각이 든다. 슬라이딩 윈도우 기법으로 원소를 넣고 빼다가, (K - 1) / 2 번째 원소를 빠르게 찾을 수 있기만 하면 쉽게 구현이 되는 문제이다. - 선언부 ```cpp #include using namespace std; #include #include using namespace __gnu_pbds; struct Node { int degree; int id; bool operator<(const Node& t) const { if (degree != t.degree) return degree < t.degree; return id < t.id; } bool operator>(const Node& t) const { return t < *this; } }; #define ordered_set tree, rb_tree_tag,tree_order_statistics_node_update> ordered_set v; ``` id의 경우 중복값 처리를 위해 존재한다. (중복되서 사라지는 것을 방지) - 로직 작성 ```cpp int A[250000]; int main() { int N, K; scanf("%d %d", &N, &K); for(int i = 0; i < N; ++i) scanf("%d", &A[i]); int cur = 0; for(int i = 0; i < K; ++i) { v.insert({A[i], i}); } int mid = (K - 1) / 2; long long ans = v.find_by_order(mid)->degree; int l = 0; int r = K; for(; r < N; ++r, ++l) { v.insert({A[r], r}); v.erase(v.find({A[l], l})); ans += v.find_by_order(mid)->degree; } printf("%lld\n", ans); return 0; } ``` --- --- id: "imported/blog/study/til/katex" title: "Katex 문법 정리" description: "Katex는 주로 수학 수식을 나타내기 위한 플러그인이다. 여기서는 각종 예시들로 해당 문법을 사용한 예시들을 보자." kind: "record" published: "2023-07-16T00:00:00.000Z" tags: ["katex"] url: "https://www.readiz.com/blog/study/til/katex/" markdownUrl: "https://www.readiz.com/blog/study/til/katex/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # Katex 문법 정리 ## Katex 문법 정리 `Katex`는 주로 수학 수식을 나타내기 위한 플러그인이다. 여기서는 각종 예시들로 해당 문법을 사용한 예시들을 보자. ## 각종 예시 - 벡터: $\overrightarrow{F} = ma$ - 로그: $\log_{a}b$ - 행렬 $$ \vec{A} = \begin{pmatrix}x1 & y1 & 0\end{pmatrix} \begin{pmatrix}\vec{i}\\\vec{j}\\\vec{k}\end{pmatrix} $$ - 루트: $O(\sqrt N)$ ### 참고 사이트 - [Katex 공식 문서](https://katex.org/docs/supported.html) --- --- id: "imported/ps/data-structure/special/simd" title: "SIMD" description: "SIMD에 관한 간단한 정리. 알게 되었는데 정리 안하면 나중에 다시 맨땅에서 구글링 해야하므로 한번 알게 된 내용 정리하고 가보려고 한다." kind: "record" published: "2023-07-15T00:00:00.000Z" tags: ["SIMD","data structure"] url: "https://www.readiz.com/notes/data-structure/special/simd/" markdownUrl: "https://www.readiz.com/notes/data-structure/special/simd/index.md" recordFolder: "자료구조/특수 자료구조" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B9%EC%88%98+%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0" --- # SIMD `SIMD`에 관한 간단한 정리. 알게 되었는데 정리 안하면 나중에 다시 맨땅에서 구글링 해야하므로 한번 알게 된 내용 정리하고 가보려고 한다. - Intel official guide: - 관련 Codeforces 글: - Fasso 블로그 글: ## SIMD SIMD는 Single Instruction Multiple Data의 약자이다. `Vectorization`과 관련있는데, 보통 그래픽 세계에서는 하나의 `Instruction`으로 여러개의 위치에 있는 데이터를 동시에 조작할 필요가 있다. 예를 들어, 색상을 반전시키는 operation의 경우 전체 픽셀에 대해 색상 비트를 뒤집어야 할 것이다. 이러한 작업들은 꼭 그래픽에 국한되지 않더라도, 일반적으로 필요한 경우들이 많이 있다. 머신러닝에서라던지.. 그래서 예전부터 major한 CPU들에서 지원이 이루어지고 있으며, Intel CPU는 이를 `avx` 라는 이름으로 지원한다. ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-07-16-12-58-07.png) - 이미지 출처: [Algorithmica SIMD 소개](https://en.algorithmica.org/hpc/simd/) ## AVX `avx`는 `Advanced Vector Extensions`의 약자이다. 처음에는 `128 bits` 단위의 병렬연산이 지원되다가, 현재 각종 온라인 PS 사이트들(ex: codeforces, BOJ)의 경우 `avx2`, `256 bits` 단위를 사용할 수 있고, 최근에 좋은 Intel CPU는 `512 bits`까지도 지원이 된다. 말만 들어서는 병렬연산 체감이 잘 안될 수 있는데, 구체적인 예시를 들어보면 `256 bits` 단위를 사용할 경우를 기준으로 16비트 정수(`short`)를 기본 자료형으로 사용하는 경우, 동시에 `size`가 16인 `vector`에 연산이 가능하다는 뜻이다. 시간복잡도가 정직하게 $O(N/16)$으로 줄어드는 효과를 볼 수 있겠다. `bitset`을 비슷하게 사용하는 느낌이 있다. 이것도 상수시간을 줄이기 위해 활용되는 경우들이 있어서.. ## 사용 방법 일단 이 글에서는 `immintrin.h`를 include 해서 사용하는 것(aka 손심드)을 기준으로 한번 알아보겠다. `Auto Vectorization`이란 것도 있는데, 이것은 그냥 컴파일 옵션으로 켜면 컴파일러가 알아서 최적화 해주는 것이다. 이거는 그냥 플래그만 추가하면 되는 것이라 따로 글로 다루기에도 애매한 영역이라.. 아마 PS에 심취하다가 다른 사람들의 코드를 보면 아래와 같은 header를 종종 보곤 했을 것이다. ```cpp #pragma GCC optimize ("O3") #pragma GCC optimize ("Ofast") #pragma GCC optimize ("unroll-loops") #pragma GCC target("sse,sse2,sse3,ssse3,sse4,avx,avx2") ``` 이것은 사실 PS 시스템에서 막으려면 막을 수도 있는 부분인데, 컴파일러에게 강제로 어떤 기능을 켤 것인지에 대해서 `pragma` 플래그를 통해서 알려주는 것이다. 이 중에서, `avx`, `avx2`를 taget으로 지정하는 부분이 있는데, 이것과 더불어, 아래 header를 include 하면 이제 SIMD를 사용할 준비가 끝난다. ```cpp #include ``` ### PS 사용 예시 - 거리와 쿼리 (BOJ 28213): 이 문제는 각 쿼리가 실행되는 순서가 바뀌게 되면 결과가 바뀌기 때문에, 어떻게 하면 전체 구간에 대해서 빠르게 $|a - b|$ 연산을 할 수 있는지가 관건이고, SIMD를 끼얹기 딱 좋은 조건이라고 할 수 있겠다. 어떤 `vector`가 있다면, 동시에 뺄셈을 적용하면서 절대값을 적용하면 되는데, 둘 다 `avx2`에서 지원하는 명령어이다. - SIMD 및 Data Structure 선언부 ```cpp #pragma GCC optimize ("O3") #pragma GCC optimize ("Ofast") #pragma GCC optimize ("unroll-loops") #pragma GCC target("sse,sse2,sse3,ssse3,sse4,avx,avx2") #include using namespace std; #include alignas(32) int bucket[400][512], TMP[8]; alignas(32) int bucketLazy[400][200'000]; alignas(32) int bucketLazySz[400]; ``` 여기서 `alignas(32)` 부분을 유의해서 봐야하는데, 이것은 SIMD를 사용하기 위한 제약조건이라고 보면 되겠다. 해당 자료형의 크기로 `align` 되어야 한다. 메모리상 특정 주소로부터 시작해야 정상적으로 동작하기 때문에, 꼭 넣어줘야 하는 옵션이다. 만약 `short`를 쓴다면 `alignas(16)`이 되면 된다. - 풀이 사용 ```cpp inline void handleLazy(int b) { for(int j = 0; j < bucketLazySz[b]; ++j) { int& d = bucketLazy[b][j]; *(__m256i*) TMP = _mm256_set_epi32(d, d, d, d, d, d, d, d); int* w = bucket[b]; for(int i = 0; i < 64; ++i) { *(__m256i*)w = _mm256_sub_epi32(*(__m256i*)w, *(__m256i*) TMP); *(__m256i*)w = _mm256_abs_epi32(*(__m256i*)w); w += 8; } } bucketLazySz[b] = 0; } ``` 나의 경우에는 각 `bucket`을 512 크기로 나눠서 고정된 크기의 공간에 Lazy연산을 수행할 때 SIMD를 사용했다. 원래같으면 각 `bucket`별로 루프를 512번 돌아야겠지만, 위처럼 하면 8배로 줄어든 64번만에 수행을 완료시킬 수 있다. 코드에 나타나는 `_mm256`으로 시작되는 것은 `256 bits` 공간을 기준으로 연산이 일어난다는 뜻이며, 입력값과 출력값이 모두 `256 bits`라고 보면 된다. `int32`의 경우 `32 bits`를 단위로 가지는 `vector`가 되므로 8개씩 연산을 할 수 있다. $O(N/8)$ 이 좀 미묘하지 않을까 생각되겠지만, 10초 걸릴것이 1.25초 걸린다고 생각하면 효과가 있다. (물론 SIMD 자체의 overhead 때문에 이보다는 향상폭이 적겠지만..) 사용은 배열의 포인터에 `(__m256i*)`와 같은 포인터 변환을 사용하면 되고, 시작 주소 기준으로 `256 bits` 만큼 사용하면서 연산이 이루어진다. `load` 연산도 존재하는데, 굳이 하고 싶다면 `__m256` 자료형에다가 `load` 연산을 통해 기존 배열의 데이터를 넣어서 사용하는 방법도 있다. 마지막으로 SIMD Instruction들은 `immintrin.h` 헤더에서 참고해도 좋고, 이 글 서두에 첨부한 manual을 참고해도 된다. 여러 문제들에 적용을 시도하다보니 안되는 연산은 `modular` 연산 정도인 듯 하다. PS를 하면서 자꾸 흑마법에 빠지면 안되는데, 제일 공부하기 재밌는게 이런 흑마법이다. :) --- --- id: "imported/blog/study/til/codeanalysis" title: "랜덤 코드 디펜스" description: "문제 개요: 5개로 된 stack이 들어옴, 두가지 method가 존재함" kind: "record" published: "2023-06-27T00:00:00.000Z" tags: ["code analysis"] url: "https://www.readiz.com/blog/study/til/codeanalysis/" markdownUrl: "https://www.readiz.com/blog/study/til/codeanalysis/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 랜덤 코드 디펜스 ## 랜덤 코드 분석하기 ### Puzzle Game 문제 개요: 5개로 된 stack이 들어옴, 두가지 method가 존재함 - addToRight: 오른쪽에 stack을 붙임 - matchStack: stack을 뒤집어서 맞춰지는 부분이 있는 곳이 있는지 확인. 맞춘 stack은 사라진다. ```cpp const int RA = (1<<20) - 1; int HL, H[120020], hash[120020]; int spos[1<<20], visited[1<<20], mrk, ce; void reset() { HL = 0; ++mrk, ce = 0; } // cur을 Hash에 추가한다. void append(int cur) { if(HL) { int prev = hash[HL - 1]; hash[HL] = (prev << 5 | (cur - prev + 10)) & RA; // 해시값 만들기 (해시가 아니었다!?) // 해시값 생성 로직이 동작하는 이유 // 1) cur - prev는 최대 -10 ~ 10이 될 수 있다. // 2) 여기에 10을 더하면 최대 20 // 3) bit로 전환하면 5비트 안에 들어감 // 4) 총 블록수는 5개, 차이를 보므로 4개를 보면 됨 // 5) 즉, 총 20bit // 6) 20bit는 메모리 범위로 환산하면 2^20 이고, 어림잡아 1MB가 됨 (2^10 = 1KB) if(HL >= 4) { visited[hash[HL]] = mrk; // visited 체크용, 신규로 매칭이 가능하다는 표시 spos[hash[HL]] = ++ce; // 5개짜리 시작 위치 저장 } } H[HL++] = cur; } void addToRight(int mStack[]) { for(int i = 0; i < 5; i++) { append(mStack[i]); } } int matchStack(int mStack[]) { int v = 0; for(int i = 3; i >= 0; i--) { v = v << 5 | (mStack[i + 1] - mStack[i] + 10); // 해시값 만들기 (해시가 아니었다!?) } if(visited[v] != mrk) return -1; // 여기까지 이미 매칭은 판단이 완료 됨 // 이 아래는 매칭이 완료되었단 것 전제로, 매칭된 부분을 제거하는 로직 int ansPos = spos[v]; // 이게 답임 int oldEnd = HL; HL = ansPos - 1; // Hash를 다시 구성한다. (생각보다 다시 구성하는데 시간이 길게 걸리지는 않는 듯) ++mrk; ce = 0; for(register int i = 4; i + 1 < ansPos; i++) { visited[hash[i]] = mrk; spos[hash[i]] = ++ce; } for(register int i = ansPos + 4; i < oldEnd; i++) { append(H[i]); } return x; } ``` --- --- id: "imported/blog/study/til/tis-100" title: "TIS-100 Manual" description: "TIS-100 Manual" kind: "record" published: "2023-06-19T00:00:00.000Z" tags: ["TIS","hobby"] url: "https://www.readiz.com/blog/study/til/tis-100/" markdownUrl: "https://www.readiz.com/blog/study/til/tis-100/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # TIS-100 Manual TIS-100 Manual ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-06-19-22-29-56.png) --- --- id: "imported/ps/data-structure/tree/disjointset" title: "Disjoint Set" description: "MST의 크루스칼과 같은 알고리즘에서 유용하게 쓰이는 Disjoint Set에 대한 간단한 정리" kind: "record" published: "2023-06-17T00:00:00.000Z" tags: ["data structure","disjoint set","union find"] url: "https://www.readiz.com/notes/data-structure/tree/disjointset/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/disjointset/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Disjoint Set `MST`의 크루스칼과 같은 알고리즘에서 유용하게 쓰이는 `Disjoint Set`에 대한 간단한 정리 ## Implementation Overview ```cpp struct DisjointSet { int parent[SIZE]; int rank[SIZE]; void init() { for(int i = 0; i < SIZE; ++i) { parent[i] = i; rank[i] = 0; } } int getRoot(int v) { if (v == parent[v]) return v; return parent[v] = getRoot(parent[v]); } void merge(int a, int b) { int a = getRoot(a); int b = getRoot(b); if (a == b) return; // already merged parent[b] = a; } }; ``` ## Time Complexity 블로그나 책 찾아보면 `Rank`와 `Path Compression`을 둘 다 사용하면 애커만 함수라고 불리는 거의 $O(1)$과 유사한 시간복잡도가 나온다고 하지만, 위 코드처럼 `Path Compression`만 구현하는 것도 $O(\log n)$이 보장되기 때문에 이 정도만 해둬도 된다고 생각한다. 어차피 다른 알고리즘과 합쳐서 쓸 것인데(`Union Find` 만으로 된 문제는 잘 없으므로..), 이 경우에 $O(\log n)$은 어차피 base에 가까운 시간복잡도이기 때문에 이것까지 줄일 필요는 없다고 본다. --- --- id: "imported/blog/history/boj/boj-2252" title: "BOJ 2252 (줄 세우기)" description: "풀이를 보면 매우 당연하지만, 그래프에 대한 개념이 확실히 되어 있지 않다면 아이디어 발상이 어려울 수 있다. 어떤 순서를 강제하는 것을 edge 연결로 볼 수 있고, 이런 조건을 만족하게끔 해둔 다음에 방문하지 않은 노드부터 차례대로 dfs로 방문해 나가면, 제일 끝에 도달하는 녀석이" kind: "record" published: "2023-06-05T00:00:00.000Z" tags: ["PS","BOJ","graph","topological sort"] url: "https://www.readiz.com/blog/history/boj/boj-2252/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-2252/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 2252 (줄 세우기) - 문제 제목: 줄 세우기 - 문제 링크: 풀이를 보면 매우 당연하지만, 그래프에 대한 개념이 확실히 되어 있지 않다면 아이디어 발상이 어려울 수 있다. 어떤 순서를 강제하는 것을 `edge` 연결로 볼 수 있고, 이런 조건을 만족하게끔 해둔 다음에 방문하지 않은 노드부터 차례대로 `dfs`로 방문해 나가면, 제일 끝에 도달하는 녀석이 `leaf`가 될 것이다. 그리고, 그 다음 녀석은 `leaf-1`이 되고, 이것이 반복되면 결국 `root`까지 반복된다. `root`는 제일 뒤에 있는 녀석에 대응되고, `leaf`는 제일 앞에 있는 녀석에 대응되므로, 이 순서대로 `dfs`로 출력해주면 끝나는 문제이다. `위상 정렬`, 즉 `topological sort`는 이러한 방식으로 이루어지며, 만약에 `dfs`가 아닌 방식으로 구현한다고 하면, `dfs`함수에서 나올 때 순서를 기록한 다음에 해당 순서대로 정렬을 하면 되겠다. ```cpp #include using namespace std; int visited[32001]; vector edges[100001]; void dfs(int v) { if (visited[v]) return; visited[v] = 1; for(int t: edges[v]) { dfs(t); } printf("%d ", v); } int main() { int N, M; scanf("%d %d", &N, &M); for(int i = 0; i < M; ++i) { int a, b; scanf("%d %d", &a, &b); edges[b].push_back(a); } for(int i = 1; i <= N; ++i) { dfs(i); } printf("\n"); return 0; } ``` --- --- id: "imported/blog/history/boj/boj-9252" title: "BOJ 9252 (LCS 2)" description: "LCS는 Longest Common Subsequence의 약자로 이 문제 제목에도 대놓고 쓰였다. 처음 접했을 때 생각하기 어려운 DP이고, 개같이 멸망. 아래 URL의 풀이를 거의 그대로 참고했다." kind: "record" published: "2023-06-02T00:00:00.000Z" tags: ["PS","BOJ","DP","LCS"] url: "https://www.readiz.com/blog/history/boj/boj-9252/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-9252/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 9252 (LCS 2) - 문제 제목: LCS 2 - 문제 링크: LCS는 Longest Common Subsequence의 약자로 이 문제 제목에도 대놓고 쓰였다. 처음 접했을 때 생각하기 어려운 DP이고, 개같이 멸망. 아래 URL의 풀이를 거의 그대로 참고했다. - [emplam27 님의 정리 글](https://velog.io/@emplam27/%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-%EA%B7%B8%EB%A6%BC%EC%9C%BC%EB%A1%9C-%EC%95%8C%EC%95%84%EB%B3%B4%EB%8A%94-LCS-%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98-Longest-Common-Substring%EC%99%80-Longest-Common-Subsequence) 해당 글에서 설명 방법이 아주 좋은데, 우선 Longest Common String(Substring?)을 먼저 구하는 방법에 대해서 알아보자. "연속된다"는 조건 때문에 이 경우 전체 모양이 아래처럼 된다. ```cpp for() { for() { if (A[a] == B[b]) DP[i][j] = DP[i-1][j-1] + 1; else DP[i][j] = 0; } } ``` 사실 모양을 보면 알겠지만 굳이 2차원 `DP` 배열을 쓸 필요도 없다. 배열에서의 결과는 대각선 방향만 존재한다. 중간에 서로 다른 문자열이 나오자마자 칼같이 0으로 만들어 주는 것이 포인트이다. 여기서 사고를 확장해보자. 0으로 만드는 이유는 `연속`된다는 조건이 있기 때문이다. 그렇다면 `연속`된다는 조건이 없을 때는 어떻게 될 것인가? 이 경우 현재까지의 최대 공통 부분 길이가 유지가 되어야 한다. 그리고 이 유지는 x축으로 해야할 수도 있고, y축으로 해야할 수도 있기 때문에 x, y축에 대한 `max` 값을 구해주면 되겠다. 그래서 위 `DP` 식이 아주 약간 바뀐다. ```cpp for() { for() { if (A[a] == B[b]) DP[i][j] = DP[i-1][j-1] + 1; else DP[i][j] = max(DP[i-1][j], DP[i][j-1]); } } ``` 그리고, 이러한 조건을 만족하는 `LCS`를 하나 출력하라고 하면, 그것은 `DP` 배열을 활용해서 대각 방향으로 숫자가 증가하는 `path`를 잘 따라가면 된다. 결과는 역방향으로 출력하면 된다. ```cpp vector word; int ap = alen, bp = blen; while(ap != 0 && bp != 0) { if (DP[bp][ap] == DP[bp][ap-1]) { ap--; continue; } if (DP[bp][ap] == DP[bp-1][ap]) { bp--; continue; } word.push_back(A[ap]); ap--; bp--; } if (word.size()) { for(auto it = word.rbegin(); it != word.rend(); ++it){ printf("%c", *it); } printf("\n"); } ``` 오늘도 `DP`에 1패를 했다. 으악! --- --- id: "imported/blog/study/cs/timecomplexity" title: "시간 복잡도" description: "시간 복잡도 관련 정리" kind: "record" published: "2023-06-02T00:00:00.000Z" tags: ["time complexity","algorithm"] url: "https://www.readiz.com/blog/study/cs/timecomplexity/" markdownUrl: "https://www.readiz.com/blog/study/cs/timecomplexity/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 시간 복잡도 시간 복잡도 관련 정리 ## 주요 시간 복잡도 시간 복잡도 그래프: O(n), O(log n), O(n log n), O(n²), O(√n)의 증가량을 비교합니다. 입력 범위 n은 10\~1,000입니다. 많이 쓰이는 시간 복잡도에 대한 비교이다. x축 기준으로 대략 1000까지의 범위에서 그린 그래프이다. ## 시간 복잡도와 실제 수행 시간 위에서 이야기하는 `O(n)` / `O(log n)` 따위의 이야기는 많이 들었지만, 그래서 실제로 어떻게 쓰는지에 대한 이야기는 많이 부딪혀보지 않으면 느끼기 어렵다. 내가 느낀대로 정리해본다. 당연히 절대적인 것은 아니다. ### 컴퓨터의 초당 연산 처리 능력 사람마다 말이 많은데, 대충 일반적인 사용자 PC 기준 초당 `1억` \~ `10억` 개의 연산 정도를 처리 가능하단 것이 중론이다. 물론 이것을 너무 믿으면 안되는게, 기본적으로 연산은 사람이 쓴 `line` 단위가 아니라 어셈블리 레벨의 `instruction`레벨로 봐야하기 때문이다 또한, 이 `instruction`을 어셈블리로 코드를 변환해서 정확히 몇개가 수행되는지 안다고 해도, 각 `instruction`마다의 수행시간이 동일하지 않으며, `CPU`가 `prefetching`도 하고, `branch prediction`도 하고, `pipelining`도 하기 때문에, 모든 요소를 알기란 어렵다. 정확한 수행시간이란 무조건 *부딪혀봐야* 아는 것(또한 시행시 항상 같지 않다)이다. 하지만 일반적으로는 보수적으로 `1억`을 기준점으로 잡아 풀고, 만약 이를 크게 넘어가지는 않을 것으로(즉, 10억 회 연산 정도라면) 예상된다면 상수최적화를 시도해보는 것이 좋을 것이다. ### N 값 기준 허용되는 시간 복잡도 나는 `N`의 값에 따라 대략 아래와 같은 기준을 쓰고 있다. - `N <= 100`: `O(N^3)`, 최적화된 `O(N^4)` 알고리즘을 돌릴 수 있다. - `N <= 1,000`: `O(N^2)`, 주로 `DP`로 푸는 문제에서 많이 사용되는 범위이다. - `N <= 10,000`: 여기부턴 대략 `O(N^2)`도 `timeout` 나기 쉽다. `O(n log n)` 정도가 허용된다고 봐야한다. - `N <= 100,000`: 십만 단위를 넘어가면 슬슬 빡세다. `O(N^2)`는 무조건 `timeout` 나기 시작하는 구간. `O(n log n)` 와 동등, 혹은 그 이상의 알고리즘을 사용해야 한다. - `N <= 1,000,000`: 여기부터는 `O(n)`을 슬슬 써야하는 단위이다. `O(n log n)`도 슬슬 시간이 소요되는 것이 눈에 들어오기 시작한다. - 추가적으로 알아야 것 중 하나는 루트로 줄이는 `O(n^1/2)`, `O(n * n^1/2)` 기법도 자주 등장하는 시점이라는 것이다. 꼭 알아두자. - 가령 소수를 판정할 때 루트n까지 봐도 된다던지 등.. - `N >= 1,000,000,000`: `O(log n)`이 강제된다. `O(n^1/2)`도 잘 짜면 된다. ## Master Theorem `마스터 정리` 라고도 불리는 이 이론은 다음 수식을 의미한다. 재귀 관계식으로 표현한 알고리즘의 시간 복잡도를 계산하는데에 쓰인다. $$ T(n) = aT(n/b) + f(n) $$ 엄밀히는 $a(\geq1)$와 $b(>1)$는 상수고, $f(n)$은 점근적으로 양인 함수라고 한다. $n$은 문제 크기이다. 분할 정복으로 문제크기 $n$인 문제가 $n/b$인 $a$개의 하위 문제로 나뉘어진다고 하면, $a$개의 하위 문제는 각각 $T(n/b)$ 시간에 풀 수 있을 것이다. 이 때, 문제를 나누고 각각의 결과를 합치는데 드는 비용이 $f(n)$이 되는 것이다. 이 때, $f(n)$에 따라 아래처럼 시간 복잡도가 계산된다. 1. $f(n) > n^{log_ba}$: $O(f(n))$ 2. $f(n) \simeq n^{log_ba}$: $O(f(n)\log n)$ 3. $f(n) < n^{log_ba}$: $O(n^{log_ba})$ ### Binary Search의 시간 복잡도 생각해보기 위 이론에 따르면, Binary Search의 시간 복잡도를 계산해볼 수 있다. 아래처럼 재귀로 구현한다고 생각해보자. ```cpp int bs(int s, int e, int t) { int m = (s+e)>>1; if (arr[m] == t) return m; if (arr[m] > t) return bs(s,m-1); else return bs(m+1,e); } ``` 이 경우, 함수에 진입하면 1개의 함수로 쪼개진다. 즉, $a=1, b=1$인 경우이다. 이 경우 $n^{log_ba} = n^0 = 1$이고, $f(n) = 1$이므로, 두번째 case에 해당한다. 시간 복잡도는 $O(f(n)\log n) = O(\log n)$이 된다. ### Merge sort의 시간 복잡도 생각해보기 이 경우에도 마찬가지로 재귀로 구현된다고 생각해보자. 대략적인 함수는 아래처럼 된다. ```cpp // [s, e] void mergeSort(int s, int e) { if (s >= e) return; int m = (s+e)>>1; mergeSort(s, m); mergeSort(m+1, e); // 이하 생략은 합치는 과정... 전체 원소에 대해서 f(n) = O(n)이 걸린다. } ``` 이 경우, 함수에 진입하면 2개의 함수로 쪼개진다. 또한, 구간도 $n/2$로 줄어든다. 즉, $a=2, b=2$인 경우이다. 이 경우, $n^{log_ba} = n^1 = n$이고, $f(n) = n$이다. 즉, 두번째 case이다. 시간 복잡도는 $O(f(n)\log n) = O(n \log n)$이 되겠다. --- --- id: "imported/blog/history/boj/boj-17404" title: "BOJ 17404 (RGB거리 2)" description: "기존 RGB거리 문제의 강화판. 그래도 최근 DP 짬밥이 있어서 그런지 처음에 막혔어도 힌트 안보고 최종 풀이에 성공했다. 풀이 방식에는 여러가지가 있어 보이는데, 나는 DP 차원을 확장하는 것으로 해결했다." kind: "record" published: "2023-06-01T00:00:00.000Z" tags: ["PS","BOJ","DP"] url: "https://www.readiz.com/blog/history/boj/boj-17404/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-17404/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 17404 (RGB거리 2) - 문제 제목: RGB거리 2 - 문제 링크: 기존 RGB거리 문제의 강화판. 그래도 최근 DP 짬밥이 있어서 그런지 처음에 막혔어도 힌트 안보고 최종 풀이에 성공했다. 풀이 방식에는 여러가지가 있어 보이는데, 나는 DP 차원을 확장하는 것으로 해결했다. ``` DP[sc][c][i] // 시작 color가 sc이고, i지점을 c로 칠했을 때의 비용 최소값 ``` 이렇게 정의해두고, `1`, `2`는 미리 계산해두고 `N-1`까지 이전 좌표만 보면서 구한 다음에, `N` 번째는 값이 확정됨을 이용해서 구한다. (N번째는 sc에서 쓴 색과, N-1에서 쓴 두 색을 사용할 수 없다) 물론, `2`를 미리 계산할 때, `DP[0][0][2]` 과 같은 값은 존재할 수 없다. 이럴 경우 큰 값을 넣어두어서 스킵하게 만들어야겠다. (최종 결과가 최소를 찾는 것이므로 무시될 수 있도록) 또, 나중에 다른 사람들 풀이를 보니 `sc`를 없애고, 전체 loop을 세번 돌리는 방법도 있더라. 이건 참고. ```cpp #include using namespace std; int DP[3][3][1001]; int main() { int N; scanf("%d", &N); int cost[3][1001]; for(int i = 1; i <= N; ++i) { int r, g, b; scanf("%d %d %d", &r, &g, &b); cost[0][i] = r; cost[1][i] = g; cost[2][i] = b; } // DP[sc][c][i] // 1위치의 색상이 sc이며, 색상 c로 i번째를 칠했을 때의 비용의 최소값 DP[0][0][2] = 0x4FFFFFFF; // 불가능한 case DP[1][1][2] = 0x4FFFFFFF; DP[2][2][2] = 0x4FFFFFFF; DP[0][1][2] = cost[0][1] + cost[1][2]; DP[0][2][2] = cost[0][1] + cost[2][2]; DP[1][0][2] = cost[1][1] + cost[0][2]; DP[1][2][2] = cost[1][1] + cost[2][2]; DP[2][0][2] = cost[2][1] + cost[0][2]; DP[2][1][2] = cost[2][1] + cost[1][2]; // 2~N-1까지 보고, // N번째의 경우 N-1과 1을 동시에 보고 선택한다. (사실 선택의 여지가 없음) for(int sc = 0; sc < 3; ++sc) { for(int i = 3; i <= N-1; ++i) { for(int c = 0; c < 3; ++c) { int v1 = cost[c][i] + DP[sc][(c+1)%3][i - 1]; int v2 = cost[c][i] + DP[sc][(c+2)%3][i - 1]; DP[sc][c][i] = min(v1, v2); } } } // N 위치를 채운다. DP[0][0][N] = 0x4FFFFFFF; DP[1][1][N] = 0x4FFFFFFF; DP[2][2][N] = 0x4FFFFFFF; DP[0][1][N] = min(DP[0][0][N-1], DP[0][2][N-1]) + cost[1][N]; DP[0][2][N] = min(DP[0][0][N-1], DP[0][1][N-1]) + cost[2][N]; DP[1][0][N] = min(DP[1][1][N-1], DP[1][2][N-1]) + cost[0][N]; DP[1][2][N] = min(DP[1][0][N-1], DP[1][1][N-1]) + cost[2][N]; DP[2][0][N] = min(DP[2][1][N-1], DP[2][2][N-1]) + cost[0][N]; DP[2][1][N] = min(DP[2][0][N-1], DP[2][2][N-1]) + cost[1][N]; int min = 0x7FFFFFFF; for(int i = 0; i < 3; ++i) { for(int j = 0; j < 3; ++j) { if (DP[i][j][N] < min) min = DP[i][j][N]; } } printf("%d\n", min); return 0; } ``` --- --- id: "imported/blog/study/math/crossproduct" title: "벡터의 외적" description: "벡터의 외적은 두 벡터가 이루는 각도를 알아낼 때 매우 유용하다. 특히, 두 벡터가 서로 평행일 때 외적값이 0이 된다는 사실은 잘 알려져 있다." kind: "record" published: "2023-05-31T00:00:00.000Z" tags: ["cross product","math"] url: "https://www.readiz.com/blog/study/math/crossproduct/" markdownUrl: "https://www.readiz.com/blog/study/math/crossproduct/index.md" recordFolder: "공부/수학" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2F%EC%88%98%ED%95%99" --- # 벡터의 외적 벡터의 외적은 두 벡터가 이루는 각도를 알아낼 때 매우 유용하다. 특히, *두 벡터가 서로 평행일 때 외적값이 0*이 된다는 사실은 잘 알려져 있다. ## 기초를 튼튼히 평면에서의 외적값은 기본적으로 3차원으로 생각한다. 왜냐면, 물리학에서 배웠던 `무슨무슨 왼손법칙`처럼 기본적으로 외적값이라는 것은 방향 개념이 따라오는데, 이 방향이 2차원 축을 뚫고 나가기 때문이다. `i`, `j`, `k`가 각각 3차원의 기본 방향 성분이라고 할 때, 다음이 성립한다. $$ \vec{i} \times \vec{j} = \vec{k} $$ $$ \vec{j} \times \vec{k} = \vec{i} $$ $$ \vec{k} \times \vec{i} = \vec{j} $$ 또한, 방향 개념이 있기 때문에, 만약 순서를 반대로 곱한다면 음수가 붙는 것처럼 된다. (방향이 반대라는 뜻) $$ \vec{j} \times \vec{i} = -\vec{k} $$ $$ \vec{k} \times \vec{j} = -\vec{i} $$ $$ \vec{i} \times \vec{k} = -\vec{j} $$ ## 외적의 계산 위 식은 이제 unit vector에 대한 이야기이고, 실제로 임의의 두 벡터의 값은 어떻게 구할까? 일단 평면상에 두 점이 있다고 하면, `k` 방향값은 `0`으로 고정시킬 수 있을 것이다. 이 경우 다음 두 벡터를 생각하자. $$ \vec{A} = \begin{pmatrix}x1 & y1 & 0\end{pmatrix} \begin{pmatrix}\vec{i}\\\vec{j}\\\vec{k}\end{pmatrix} $$ $$ \vec{B} = \begin{pmatrix}x2 & y2 & 0\end{pmatrix} \begin{pmatrix}\vec{i}\\\vec{j}\\\vec{k}\end{pmatrix} $$ 이 때의 외적값은 아래처럼 된다. $$ \vec{A} \times \vec{B} = \begin{pmatrix}0 & 0 & x1y2 - x2y1\end{pmatrix} \begin{pmatrix}\vec{i}\\\vec{j}\\\vec{k}\end{pmatrix} $$ 1. 방향은 평면에서 오른손으로 `a -> b` 방향으로 감싸쥔 방향으로 적용된다. (z축이냐, -z축이냐의 차이만 있다) 2. 벡터의 크기는 `x1y2 - x2y1`이다. 그렇다면 일반적인 임의의 두 벡터의 외적은 어떻게 계산될까? 두 벡터를 `(x1, y1, z1)`, `(x2, y2, z2)`로 정의하면, 각 방향 성분은 아래와 같다. $$ \vec{A} \times \vec{B} = \begin{vmatrix} y1 & z1 \\ y2 & z2 \end{vmatrix} \vec{i} + \begin{vmatrix} x1 & z1 \\ x2 & z2 \end{vmatrix} \vec{j} + \begin{vmatrix} x1 & y1 \\ x2 & y2 \end{vmatrix} \vec{k} \newline = \begin{pmatrix} y1 z2 - y2 z1 & z1 x2 - z2 x1 & x1 y2 - x2 y1 \end{pmatrix} \begin{pmatrix} \vec{i} \\ \vec{j} \\ \vec{k} \end{pmatrix} $$ 외우기 쉽게 생각하면 `x`를 구할 때에는 `x`가 없는 형태이다. 이를 `3*3` 행렬식으로는 아래처럼도 나타낸다. $$ \vec{A} \times \vec{B} = \begin{vmatrix} \vec{i} & \vec{j} & \vec{k} \\ x1 & y1 & z1 \\ x2 & y2 & z2 \end{vmatrix} $$ ## 외적의 크기 이는 쉽게 증명될 수 있지만 결과만 기억하자. $$ |\vec{A} \times \vec{B}| = |\vec{A}||\vec{B}|sin\theta $$ `sin` 값은 `180도`, `360도`에서 0이 되고, 이는 벡터가 왜 평행일 때 외적값이 0이 되는지를 알려준다. ## 오목과 볼록 오목과 볼록은 정하기 나름이지만, 아무튼 위 $sin\theta$의 성질을 생각하면, `180도` 기준으로 그 부호가 바뀌는 것은 명백하다. 오목, 볼록의 기준을 나누는 값이 `180도`가 되므로, 음수, 양수에 따라 오목, 볼록을 판정하면 된다. `Convex Hull` 과 같은 알고리즘에서 사용되는 성질이다. 사실 이거 때문에 간만에 외적을 다시 봤다. 주로 알고리즘에서 `CCW`라고 부르는 판별방식을 알아보자. ### CCW `CCW`는 Counter-Clockwise, 즉 반시계 방향으로 두 벡터가 정렬되었는지를 알게 해주는 값이다. 이를 구하기 위해서 세 점 `A`, `B`, `C`가 있다고 하자. (사이점이 B이다) 이때, 두 벡터 $\overrightarrow{BA}$와 $\overrightarrow{BC}$를 정의할 수 있다. 각각의 벡터값을 `(x1, y1)`, `(x2, y2)` 라 하면, $$ \overrightarrow{BA} \times \overrightarrow{BC} = \begin{pmatrix}0 & 0 & x1y2 - x2y1\end{pmatrix} \begin{pmatrix}\vec{i}\\\vec{j}\\\vec{k}\end{pmatrix} $$ 이 된다. 따라서 `k` 방향의 값만 존재하고, 이 값은 또한 아래와 같다. $$ |\overrightarrow{BA} \times \overrightarrow{BC}| = |\overrightarrow{BA}||\overrightarrow{BC}|sin\theta = x1y2 - x2y1 $$ 즉, `x1y2 - x2y1` 값이 양수이면 두 벡터가 예각을 이루고, 음수이면 둔각을 이룬다. CCW는 음수일 때로 판정하면 되겠다. --- --- id: "imported/ps/algorithm/geometry/convexhull" title: "Convex Hull" description: "기하 문제에서 많이 쓰이는 볼록 껍질 알고리즘 Convex Hull에 관한 정리" kind: "record" published: "2023-05-31T00:00:00.000Z" tags: ["algorithm","convex hull","geometry"] url: "https://www.readiz.com/notes/algorithm/geometry/convexhull/" markdownUrl: "https://www.readiz.com/notes/algorithm/geometry/convexhull/index.md" recordFolder: "알고리즘/기하" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B8%B0%ED%95%98" --- # Convex Hull 기하 문제에서 많이 쓰이는 볼록 껍질 알고리즘 `Convex Hull`에 관한 정리 ## 벡터의 외적 `Math` 카테고리에 따로 정리한 글이 있다. - [벡터의 외적](https://www.readiz.com/blog/study/math/crossproduct/) ## Graham Scan 무려 `O(n log n)` 시간에 전체 볼록 껍질에 속하는 점들을 알아낼 수 있는 알고리즘이다. 벡터의 외적 성질을 아주 잘 활용한 알고리즘 ### 작성 중 ## Monotone Chain `Graham Scan`의 일종의 개선 판. 처음에 각도로 정렬하지 않아도 되기 때문에 좀 더 빠르다. ### 작성 중 ## 활용 예 아래와 같은 문제들을 풀 수 있다. - 모든 점을 포함하는 최적의 다각형 구하기 - 위 다각형이 통과하는 가장 작은 지름 구하기 - 두 점 집단을 나눌 수 있는지 확인하기 - 임의의 두 점 사이의 거리의 최대값 --- --- id: "imported/blog/study/math/radix" title: "진법" description: "진법에 관해 정리해본다. 2진법은 특히 Computer Science와 관련성이 높다." kind: "record" published: "2023-05-26T00:00:00.000Z" tags: ["math"] url: "https://www.readiz.com/blog/study/math/radix/" markdownUrl: "https://www.readiz.com/blog/study/math/radix/index.md" recordFolder: "공부/수학" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2F%EC%88%98%ED%95%99" --- # 진법 진법에 관해 정리해본다. 2진법은 특히 `Computer Science`와 관련성이 높다. ### 작성 중 --- --- id: "imported/ps/data-structure/tree/heap" title: "Heap" description: "Heap 관련 정리. Heap은 주로 Array로 구현하며, 가장 큰 아이템이나 가장 작은 아이템을 O(1)의 시간복잡도로 구할 수 있으며, 이를 업데이트 하는데에 O(log n)의 시간이 걸리는 자료구조이다. set 처럼 k 값을 가지는 아이템을 찾거나 할 수는 없지만, 구조가 비교적" kind: "record" published: "2023-05-25T00:00:00.000Z" tags: ["heap","data structure"] url: "https://www.readiz.com/notes/data-structure/tree/heap/" markdownUrl: "https://www.readiz.com/notes/data-structure/tree/heap/index.md" recordFolder: "자료구조/트리" folderUrl: "https://www.readiz.com/records/?folder=%EC%9E%90%EB%A3%8C%EA%B5%AC%EC%A1%B0%2F%ED%8A%B8%EB%A6%AC" --- # Heap `Heap` 관련 정리. `Heap`은 주로 Array로 구현하며, 가장 큰 아이템이나 가장 작은 아이템을 `O(1)`의 시간복잡도로 구할 수 있으며, 이를 업데이트 하는데에 `O(log n)`의 시간이 걸리는 자료구조이다. `set` 처럼 `k` 값을 가지는 아이템을 찾거나 할 수는 없지만, 구조가 비교적 간단하니 익혀두면 좋다. 그리고, 최적화가 매우 가능한 녀석이다. 아래 코드가 나름의 비트연산을 사용한 최적이니 꼭 익혀두도록 하자. ## 부모, 자식간의 관계 정의 만약 `1-indexed` `Heap`을 구현한다고 하면, 아래처럼 부모, 자식간의 관계를 정의할 수 있다. (메모리는 1만큼 낭비되지만, Index 계산에서 많이 편리하다) - 부모 Index: `idx >> 1` - 자식 Index - 왼쪽: `idx << 1` - 오른쪽: `(idx << 1) | 1` 위 방식으로 간단하게 Array를 Tree로 사용할 수 있다. ## Heap에서의 Push 만약 현재의 `Heap`의 크기가 `sz`라고 하자. 그렇다면, 다음에 들어갈 원소의 위치는 `sz + 1` 이다. (초기 조건을 생각하자) 이렇게 원소를 대충 삽입한 이후에, 이를 계속 상위 level의 아이템과 비교하여, swap하면 된다. 아래는 `MinHeap`에서의 예시이다. ```cpp T d[SZ + 1]; int sz; void push(T v) { int p = ++sz; for(; p > 1; p >>= 1) { if (d[p>>1] <= v) break; // 이미 조건을 만족하고 있으면 break d[p] = d[p>>1]; } d[p] = v; } ``` 대충 `Insertion Sort` 와 모습이 비슷하니, 잘 안되면 정렬 연습을 다시 하고 오자. ## Heap에서의 Pop 이게 좀 어렵다. 우선, 1번 `index`의 데이터가 빠져나간다. 그리고 나서 swap이 시작될 텐데, 최종적으로 삽입할 녀석은 `sz` 위치에 있는 아이템이 될 것이다. 이것은 캐시해서 가지고 있는다. 그리고, 잠재적으로 삽입될 위치를 찾아간다. 맨 처음에는 `c = 2`에서 시작할 것이다. 좌측 자식으로 swap 한다고 생각한 이후, 우측 자식의 조건이 더 좋으면 우측 자식하고 swap 한다. 이것을 반복하고, 적절한 삽입 위치가 찾아졌으면, 넣고 끝낸다. ```cpp T d[SZ + 1]; int sz; T pop() { T r = d[1]; T val = d[sz--]; int c = 2; // 왼쪽 자식부터 검사 for(; c <= sz && d[c |= (c < sz && d[c] >= d[c|1])] < val; c <<= 1) { d[c>>1] = d[c]; } d[c>>1] = val; return r; } ``` ## Index를 관리하는 Heap `heap`에 삽입된 시점의 `Index`를 저장해주면, 특정 원소의 값을 찾을 수 있고, 그 `Index`의 값을 변경할 수 있다. 변경 후에는 `swim`과 `sink`를 순서 관계없이 1번씩 해주면 다시 `heap`의 구조가 유지된다. 이를 활용한 전체 `heap` 코드의 샘플은 아래와 같다. ```cpp struct Heap { T data[SZ + 1]; int posToID[SZ + 1]; // 위치 p에 있는 녀석의 id int idToPos[ID_MAX]; // id가 어느 위치 p에 있는지 int sz; void init() { sz = 0; } void push(int idx, T v) { int p = ++sz; for(; p > 1; p >>= 1) { if (d[p>>1] <= v) break; // 이미 조건을 만족하고 있으면 break d[p] = d[p>>1]; idToPos[id[p]] = idToPos[id[p>>1]]; posToID[p] = posToID[p>>1]; } d[p] = v; posToID[p] = idx; idToPos[idx] = p; } T pop() { T r = d[1]; int idx = posToID[sz]; T val = d[sz--]; int c = 2; // 왼쪽 자식부터 검사 for(; c <= sz && d[c |= (c < sz && d[c] >= d[c|1])] < val; c <<= 1) { d[c>>1] = d[c]; idToPos[id[c>>1]] = idToPos[id[c]]; posToID[c>>1] = posToID[c]; } d[c>>1] = val; posToID[c>>1] = idx; idToPos[idx] = c>>1; return r; } T getData(int idx) { return d[idToPos[idx]]; } void updateData(int idx, T v) { int spos = idToPos[idx]; d[spos] = v; // 위로 갱신 (swim) int p = spos; for(; p > 1; p >>= 1) { if (d[p>>1] <= v) break; // 이미 조건을 만족하고 있으면 break d[p] = d[p>>1]; idToPos[id[p]] = idToPos[id[p>>1]]; posToID[p] = posToID[p>>1]; } d[p] = v; posToID[p] = idx; idToPos[idx] = p; // 아래로 갱신 (sink) int c = spos << 1; // 왼쪽 자식부터 검사 for(; c <= sz && d[c |= (c < sz && d[c] >= d[c|1])] < val; c <<= 1) { d[c>>1] = d[c]; idToPos[id[c>>1]] = idToPos[id[c]]; posToID[c>>1] = posToID[c]; } d[c>>1] = val; posToID[c>>1] = idx; idToPos[idx] = c>>1; } }; ``` ## 구현속도 중심의 Heap 위에서는 성능 최적화를 생각하며 구현한 `heap`을 보았다면, 좀 더 코드 직관적인 `heap`의 구현은 아래와 같다. ```cpp #define parent(id) ((id) >> 1) #define left(id) ((id) << 1) #define right(id) (((id) << 1) | 1) struct Heap { int d[SZ + 1]; int sz; void init() { sz = 0; } void swap(int aIdx, int bIdx) { d[aIdx] ^= d[bIdx] ^= d[aIdx] ^= d[bIdx]; } void swim(int idx) { int pidx = parent(idx); if (pidx <= 0) return; if (d[idx] >= d[pidx]) return; swap(idx, pidx); swim(pidx); } void sink(int idx) { int cidx = left(idx); if (cidx > sz) return; if ((cidx|1) <= sz && d[cidx] > d[cidx|1]) cidx |= 1; if (d[idx] <= d[cidx]) return; swap(idx, cidx); sink(cidx); } void push(int v) { d[++sz] = v; swim(sz - 1); } int pop() { int r = d[1]; d[1] = d[sz--]; sink(1); return r; } }; ``` `swim`은 위쪽으로 올라가는 모습이고, `sink`는 가라앉는 모습에서 이름이 붙었다. 다만 재귀로 구현했기 때문에 `O2`와 같은 컴파일 옵션이 붙지 않는다면 일반 루프로 구현한 것보다 확실히 느리다. ## Time Complexity - Push: $O(\log n)$ - Pop: $O(\log n)$ - Top: $O(1)$ --- --- id: "imported/ps/algorithm/graph/lca" title: "LCA" description: "LCA는 Least Common Ancestor의 약자이다. Tree에서의 공통 조상을 찾는 문제에 사용되는 알고리즘이다. 공통 조상이 여러개 있을 수 있으므로, 그 중에 제일 빠른 조상을 LCA로 정의한다. input으로는 서로 다른 두 Node가 주어진다. 이 두 Node를 l과 r" kind: "record" published: "2023-05-24T00:00:00.000Z" tags: ["LCA"] url: "https://www.readiz.com/notes/algorithm/graph/lca/" markdownUrl: "https://www.readiz.com/notes/algorithm/graph/lca/index.md" recordFolder: "알고리즘/그래프" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EA%B7%B8%EB%9E%98%ED%94%84" --- # LCA `LCA`는 `Least Common Ancestor`의 약자이다. `Tree`에서의 `공통 조상`을 찾는 문제에 사용되는 알고리즘이다. 공통 조상이 여러개 있을 수 있으므로, 그 중에 제일 빠른 조상을 `LCA`로 정의한다. `input`으로는 서로 다른 두 `Node`가 주어진다. 이 두 `Node`를 `l`과 `r`이라 하자. ## O(n^2) 만약 `Node`의 `depth`를 모른다면 이 방법밖에 사실 사용할 수가 없다. 각 l에 대해(l이 root가 될 때까지) 모든 r을 순회한다. 코드를 보면 알겠지만 무조건 찾을 수밖에 없다. ```cpp for(Node* l = sl; l != 0; l = l->parent) { for(Node* r = sr; r != 0; r = r->parent) { if (l == r) return l; } } ``` ## O(n) 만약 `depth`를 안다면, `l`과 `r`의 `depth`를 같게 맞춘 이후에, 양쪽 `Node`를 만날 때까지 같이 올리면 된다. 구현의 편의를 위해 처음에는 무조건 `l`의 `depth`가 크도록 `swap`을 하는 것이 편하다. 이렇게 구현하면 2중포문이 없기 때문에 `worst`는 `O(n)`이다. ```cpp if (l->depth < r->depth) swap(l, r); while(l->depth > r->depth) l = l->parent; for(;;l = l->parent, r = r->parent) { if (l == r) return l; } ``` ## O(log n) `O(log n)`로 구현하려면 아래 2진수의 동작방식을 이해할 필요가 있다. ### 2진수의 힘 당연한 소리지만, 2진수는 모든 10진수를 나타낼 수 있다. 만약에 임의의 `Node`에 대해서 부모를 적절하게 저장하면 부모로 올라가는 과정을 `O(n)`이 아닌 `O(log n)`으로 할 수 있다. 바로, 부모를 저장하는데, 전체 부모를 저장하는 것이 아니라, `1`, `2`, `4`, `8`, 처럼 2진수에 쓰이는 숫자의 부모들을 저장하는 것이다. 이렇게 저장하면, 만약 특정 노드의 `8`번째 부모를 구한다고 했을 때, 특정노드의 `4`번째 부모의 `4`번째 부모를 구하는 식으로 생각할 수 있게 된다. 이렇게만 저장해도, `7` = `0111`(2진수로) 이기 때문에, 모든 임의의 자연수의 부모를 `O(log n)` 시간에 찾을 수 있게 된다. 이를 쉽게 구현하기 위해서는 `bitmask`를 사용하면 된다. 임의의 수만큼의 부모로 가는 코드는 아래와 같다. ```cpp struct Node { Node* parents[10]; // 최대 2^9의 부모를 저장한다. }; Node* findParent(Node* cur, int num) { int mask = 0x1; for(int i = 0; i < 10; ++i, mask <<= 1) { if (num & mask) cur = cur->parents[i]; // 2의 지수승만큼의 부모로 이동한다. } return cur; } ``` `2^k`의 부모를 저장하는 것은 코드상 `node->parents[k]`를 보는 것으로 구현이 된다. 이를 활용하면 `LCA`도 구현할 수 있다. 위 테크닉을 활용한다. ```cpp if (l->depth < r->depth) swap(l, r); int diff = l->depth - r->depth; // 1. depth를 맞춰준다. int mask = 0x1; for(int i = 0; i < 10; ++i, mask <<= 1) { if (num & mask) l = l->parents[i]; // 2의 지수승만큼의 부모로 이동한다. } if (l == r) return l; // 2. 같아지기 직전까지 올라간다. for(int i = 10 - 1; i >= 0; --i) { Node* nl = l->parents[i]; Node* nr = r->parents[i]; if (nl == nr) continue; l = nl; r = nr; } while(l != r) { l = l->parents[0]; r = r->parents[0]; } return l; ``` 그런데, 설명중에 한가지 빠뜨린 것이 있다. `parents[]`의 초기화는 어떻게 할 것인가? 이를 쉽게 하기 위해서는 아래와 같은 수식을 활용한다. ``` 2^k = 2^(k-1) + 2^(k-1) ``` 사실 당연한 수식인데, 생각하긴 사실 쉽지 않다. 이 수식을 활용해서 `parents[]`를 초기화 할 수 있다. ```cpp for(int i = 0; i < 10; ++i) { if (n->parents[i - 1] != nullptr) n->parents[i] = n->parents[i - 1]->parents[i - 1]; else n->parents[i] = nullptr; } ``` 새로운 값이 추가될 때, 위와 같이 `Node`를 업데이트 하면 된다. 만약 Add가 다 된 상태에서 `parents[]`를 채워야 한다면, `root` 부터 시작해서 자식으로 채우면 된다. --- --- id: "imported/ps/algorithm/dp/lis" title: "LIS" description: "자꾸 까먹는 LIS 한번 정리해보기" kind: "record" published: "2023-05-23T00:00:00.000Z" tags: ["LIS","DP","binary search"] url: "https://www.readiz.com/notes/algorithm/dp/lis/" markdownUrl: "https://www.readiz.com/notes/algorithm/dp/lis/index.md" recordFolder: "알고리즘/동적 계획법" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EB%8F%99%EC%A0%81+%EA%B3%84%ED%9A%8D%EB%B2%95" --- # LIS 자꾸 까먹는 LIS 한번 정리해보기 ## LIS `Longest Increase Sequence` 의 약자. `최장 증가 수열` 로도 불린다. 아래와 같은 수열이 있다고 하자. | index | 0 | 1 | 2 | 3 | 4 | 5 | 6 | | :-------- | :-: | :-: | :-: | :-: | :-: | :-: | :-: | | **value** | 2 | 3 | 1 | 4 | 7 | 5 | 3 | 이 경우, 가장 길게 증가하는 `sequence`는 `2 -> 3 -> 4 -> 7`이며, 길이는 4가 된다. `LIS`는 이러한 가장 긴 경우를 찾는 알고리즘이라고 할 수 있다. 이를 풀이하는 방법을 찾아보자. ## DP Solution `DP[j]`를 j번째에서의 `LIS`라고 정의하면, DP의 일반항을 아래와 같이 세울 수 있다. 아래에서 `i`번째는 `i < j`인 조건에서 확인이 되어야 한다. ```cpp if (A[i] < A[j]) DP[j] = max(DP[j], DP[i] + 1); ``` 여기서 `j`는 `i`보다 커야 한다. (증가하는 순서이므로) 루프를 포함한 전체 코드는 아래와 같다. ```cpp DP[0] = 1; // 첫번째 원소는 무조건 1의 LIS를 가진다. for(int j = 1; j < sz; ++j) { // j번째를 채울 때, [0, j)까지 확인해서 max 값을 사용한다. for(int i = 0; i < j; ++i) { // i < j if (A[i] < A[j]) DP[j] = max(DP[j], DP[i] + 1); } } ``` 여기서 `LIS` 결과값은 `DP[]` 의 최대값 + 1이다. 그리고, 시간복잡도는 `O(n^2)`가 될 것이다. ## Binary Search Solution 살짝 Tricky한 방식이다. 위에서 2중 포문을 도는 이유가 무엇인가? 그것은 `DP` 배열의 업데이트 순서가 중요하기 때문이다. 만약 경우의 수를 세는 방식에서 벗어나서, `A[i] < A[j]`인 조건을 직접적으로 `DP` 배열에 저장할 수 있다면? 그 경우에는 최종적으로 `DP` 배열의 사이즈가 답이 될 것이다. 구체적인 구현 방식은 `Binary Search`를 사용한다. 각 원소에 대해서 `Binary Search`를 수행하면서 `DP` 배열에 넣으면 되고, 이 경우 전체 배열을 1회만 scan 하면 된다. 따라서 시간복잡도는 `O(n log n)`이 된다. 이정도 시간복잡도는 `O(n^2)`에 비해 상당히 합리적이라고 할 수 있다. ```cpp vector DP; for(int i = 0; i < sz; ++i) { auto it = lower_bound(DP.begin(), DP.end(), A[i]); if (it == DP.end()) { DP.push_back(A[i]); } else { *it = A[i]; } } ``` 여기서 `LIS` 결과값은 `DP` 배열의 size가 된다. 이렇게 `DP`의 관점을 바꾸는 것만으로 시간복잡도가 크게 개선될 수 있다. 만약 이 방법에서 실제 `LIS`를 이루는 배열을 알아야 한다고 한다면, `push_back` 되는 시점의 원소들로 구성하면 된다. 그러나 모든 경우를 구하는 것은 아니다. --- --- id: "imported/blog/history/cf/cf-874e" title: "Codeforces Round 874 E번" description: "Codeforces Round 874 E번 관련 기록." kind: "record" published: "2023-05-22T00:00:00.000Z" tags: ["PS","codeforces"] url: "https://www.readiz.com/blog/history/cf/cf-874e/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-874e/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 874 E번 - 문제 제목: Round Dance - 문제 링크: ## Official Editorial ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-06-06-22-44-52.png) --- --- id: "imported/blog/study/cs/partialsum" title: "부분합" description: "부분합 관련 알고리즘 정리" kind: "record" published: "2023-05-22T00:00:00.000Z" tags: ["sum","segment tree","fenwick tree"] url: "https://www.readiz.com/blog/study/cs/partialsum/" markdownUrl: "https://www.readiz.com/blog/study/cs/partialsum/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 부분합 부분합 관련 알고리즘 정리 ## 부분합과 쿼리 `Query`란, 이를테면 특정 Range의 합을 구하는 것을 말한다. 이러한 `Query`에 따라 부분합을 저장하는 방식을 다르게 해야한다. ### 배열이 변하지 않고 Query가 계속될 경우 이 경우에는 가장 단순하면서도 심플한 방법이 있다. ```cpp int pSum[MAX]; void init(int arr[]) { pSum[0] = arr[0]; for(int i = 1; i < MAX; ++i) { pSum[i] = pSum[i-1] + arr[i]; } } int getRangeSum(int l, int r) { if (l == 0) return pSum[r]; return pSum[r] - pSum[l - 1]; } ``` 이 경우 처음 `init`이 된 이후에는 무려 `O(1)`로 부분합을 구할 수 있다. 그런데, 이렇게만 되면 너무 쉬우니, 보통 알고리즘 시험이나 이런 곳에서는 `arr`의 값을 지속적으로 변경하는 형태의 문제가 출제되곤 한다. 이렇게 원본 배열의 값이 변화가 있을 경우에는 기존에 구해놓은 `pSum`의 값이 무용지물이고, 값에 변화가 있을 때마다 `O(n)`의 업데이트가 있어야 할 것이다. ### Fenwick Tree 부분합을 구할 때 있어서 가장 아름다운 방법이라고 나는 생각한다. 이 트리는 `Binary-Indexed Tree` 라고도 불리며, 추후 소개할 `Segment Tree`와 다르게, 추가 메모리 공간을 `N` 만큼만 사용하고도 부분합을 저장할 수 있는 방법이다. 어떻게 `N` 만큼으로 저장하는가? 이진수의 원리를 사용한다. 예를들어 특정 Index의 값을 업데이트 한다고 하면, 아래처럼 한다. - `11 (1011)` -> `12 (1100)` -> `16 (10000)` -> `32 (100000)` -> ... - `7 (0111)` -> `8 (1000)` -> `16 (10000)` -> `32 (100000)` -> ... 이렇게 할 경우, 전체 업데이트 될 Index의 개수는 `log n`개가 되므로, 시간복잡도가 `O(n)`에서 많이 줄어들게 된다. 그리고, 특정 Index 까지의 합을 구하고 싶다면, 아래 순서로 합한다. - `11 (1011)` -> `10 (1010)` -> `8 (1000)` - `7 (0111)` -> `6 (0110)` -> `4 (0100)` 이 과정도 마찬가지로 이진수 단위로 업데이트 되므로 시간복잡도는 `O(log n)` 이다. 코드로 위 두 과정을 구현하면 아래처럼 된다. ```cpp int f[MAX]; void update(int idx, int v) { for(; idx < MAX; idx += idx & -idx) f[idx] += v; } int get(int idx) { int r = 0; for(; idx > 0; idx -= idx & -idx) r += f[idx]; return r; } ``` 코드에서 드러난 것처럼, 만약 n개의 데이터를 초기화한다고 하면 `O(n log n)`의 시간복잡도가 소요된다. ### Segment Tree `Segment Tree`는 일반적인 Query를 효율적으로 동작할 수 있게 하는 구조이다. #### 작성 중 --- --- id: "imported/ps/algorithm/sort/basic" title: "정렬 기본" description: "정렬 알고리즘 관련 기본 정리" kind: "record" published: "2023-05-22T00:00:00.000Z" tags: ["sort"] url: "https://www.readiz.com/notes/algorithm/sort/basic/" markdownUrl: "https://www.readiz.com/notes/algorithm/sort/basic/index.md" recordFolder: "알고리즘/정렬" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%A0%95%EB%A0%AC" --- # 정렬 기본 정렬 알고리즘 관련 기본 정리 ## O(n^2) 알고리즘 ### Selection Sort 성능 요구사항이 없거나, n이 작을 때 사용하는 방식. 구현을 잊어버릴 수 없을만큼 간단하다. ```cpp void selSort(T arr[], int size) { for(int i = 0; i < size; ++i) { for(int j = i + 1; j < size; ++j) { if (arr[i] > arr[j]) { T tmp = arr[i]; arr[i] = arr[j]; arr[j] = tmp; } } } } ``` ### Insertion Sort 데이터가 뒤쪽으로 1개씩 추가되는 경우에, O(n)으로 제일 빠르다. 또한 `memory`의 `locality`를 살릴 수 있는 방식으로 유명하다. 이 방식은, `i-1`번째까지 원소들이 이미 정렬되어있다고 가정하고, i번쨰 원소를 적절한 곳에 삽입하는 방식이라서, `Insertion sort` 라고 불린다. 이 방식의 경우 `swap`보다 `assign` 연산을 1회 줄일 수 있어서 더 빠르다. 실제로, `O(n^2)` 알고리즘 중에 제일 빠르다고 할 수 있다. ```cpp void insertionSort(T arr[], int size) { for(int i = 1; i < size; ++i) { T tmp = arr[i]; // 비교하고자 하는 원소를 임시로 저장한다. int j = i - 1; for(; j >= 0; --j) { // j 위치를 0까지 가면서 삽입할 곳을 찾는다. if (arr[j] < tmp) break; arr[j+1] = arr[j]; // swap 대신에, 뒤쪽으로 원소를 1개 민다. } arr[j+1] = tmp; // 최종 목적지에 임시로 저장한 원소를 넣고 마무리한다. } } ``` ## O(n log n) 알고리즘 ### Quick Sort `stable` 하지는 않지만, 작성이 쉽고 랜덤한 분포를 가지는 데이터에 대해서 성능이 빠르다. 아래 코드의 구간은 \[s, e] 이다. ```cpp void qSort(T arr[], int s, int e) { int l = s, r = e; T pivot = arr[(s + e) >> 1]; while(l < r) { while(arr[l] < pivot) ++l; while(pivot < arr[r]) --r; if (i > j) break; T tmp = arr[l]; arr[l] = arr[r]; arr[r] = tmp; ++l; --r; } qSort(arr, s, r); qSort(arr, l, e); } ``` ### Merge Sort `stable` 한 정렬 중에 제일 빠름. 안정적. `worst`에도 `O(n log n)`이 보장되어 `PS`에서 자주 쓰인다. `Quick Sort` 대비 메모리 사용량이 2배이기 때문에, 개인적으로는 덜 선호하는 편이지만, `stable`이 필요한 경우에는 어쩔 수 없이 사용되어야 한다. 구간은 마찬가지로 \[s, e] 로 나누는 것이 생각하기에 간단하다. ```cpp T tmp[MAX_SIZE]; void mergeSort(T arr[], int s, int e) { if (s >= e) return; int mid = (s + e) >> 1; mergeSort(arr, s, mid); mergeSort(arr, mid + 1, e); int i = s, j = mid + 1; int k = s; for(;i <= mid && j <= e;) { if (arr[i] < arr[j]) tmp[k++] = arr[i++]; else tmp[k++] = arr[j++]; } for(;i <= mid; ++i, ++k) tmp[k] = arr[i]; for(;j <= e; ++j, ++k) tmp[k] = arr[j]; for(i = s; i <= e; ++i) arr[i] = tmp[i]; // realloc } ``` 딱히 더 빠르진 않지만 두뇌회전을 위해 아래와 같은 코드 축약 버전도 한번 기억해보자. 두 조건을 만족할 때 `i++`를 쓰고, 나머지의 경우 `j++`를 쓰는 것. `i++`의 사용조건만 정해지면 나머지는 `j++`가 되는 것에 착안한다. 1. 현재 j가 e 범위를 이미 초과했거나 (무조건 i를 써야함) 2. 또는 i가 범위 안이면서, `arr[i] <= arr[j]` 일 때. (등호 조건이 있어야 stable이다) 이렇게 축약하면, `Quick Sort`보다 오히려 코드 작성량이 적다. ```cpp T tmp[MAX_SIZE]; void mergeSort(T arr[], int s, int e) { if (s >= e) return; int mid = (s + e) >> 1; mergeSort(arr, s, mid); mergeSort(arr, mid + 1, e); int i = s, j = mid + 1; int k = s; for(;k <= e;++k) // 아래에서 arr[i] <= arr[j] 의 괄호가 빠지지 않아야 stable 임에 유의! tmp[k] = ((j > e) || (i <= mid) && (arr[i] <= arr[j])) ? arr[i++] : arr[j++]; for(i = s; i <= e; ++i) arr[i] = tmp[i]; // realloc } ``` ## 특수 알고리즘 ### Bucket Sort `Radix Sort`, `Bucket Sort` 모두 같은 개념이다. 흔히들 `10진법`을 `Radix Sort`에 사용하곤 하는데, 사실 그럴 필요가 없다. 메모리 공간은 훨씬 더 많이 사용할 수 있으므로, `65536진법 = 1<<16 진법`을 사용하여, `short` 만큼의 `1 << 16` 배열에 Counting 해서 넣는 방식으로 반복하면, `int` 범위의 수도 쉽게 정렬할 수 있다. Counting 한 배열을 이용하면, 총 시간복잡도 `O(n)` 에 정렬이 완성된다. (정확히는 물론 `O(n)`의 상수배 되겠다) 사실 위 알고리즘들과 비교하면 말도 안될 정도로 빠른 알고리즘이라고 볼 수 있다. 이 경우 `T` type generic을 쓸 수 없고, 구체적인 범위의 수 범위가 필요하다. 가장 간단한 unsigned int의 예시가 아래와 같다. ```cpp unsigned int cnt[1<<16 | 1]; unsigned int acc[1<<16 | 1]; unsigned int tmp[ARR_SIZE]; unsigned int cnt2[1<<16 | 1]; unsigned int acc2[1<<16 | 1]; void bucketSort(unsigned int arr[]) { // 하위 부분 정렬 for(int i = 0; i < ARR_SIZE; ++i) cnt[arr[i] & 0xFFFF]++; for(int i = 1; i <= (1<<16); ++i) acc[i] = acc[i - 1] + cnt[i - 1]; for(int i = 0; i < ARR_SIZE; ++i) tmp[acc[arr[i] & 0xFFFF]++] = arr[i]; // 상위 부분 정렬 for(int i = 0; i < ARR_SIZE; ++i) cnt2[arr[i] >> 16]++; for(int i = 1; i <= (1<<16); ++i) acc2[i] = acc2[i - 1] + cnt2[i - 1]; for(int i = 0; i < ARR_SIZE; ++i) arr[acc[tmp[i] >> 16]++] = tmp[i]; } ``` 하위 bit -> 상위 bit 순으로 정렬을 하는 이유는 상위 bit의 영향력이 더 크기 때문이라고 이해하면 쉽다. --- --- id: "imported/blog/study/til/english_phrases" title: "자주 쓰는 영어 표현 정리" description: "아래 문장이 th 발음 연습에 아주 도움이 된다. 말이 되는 문장은 아니다." kind: "record" published: "2023-05-20T00:00:00.000Z" tags: ["english"] url: "https://www.readiz.com/blog/study/til/english_phrases/" markdownUrl: "https://www.readiz.com/blog/study/til/english_phrases/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 자주 쓰는 영어 표현 정리 ## 한국인이 약한 발음 연습 아래 문장이 `th` 발음 연습에 아주 도움이 된다. 말이 되는 문장은 아니다. ``` They think that there is a method that is thrilling. ``` ## 사람 유형에 관한 표현 (긍정적인 표현) - Easy-going: 사람들과 쉽게 친해지는 (I / *E*) - Hard-working: 성실한 (N / *S*) - Committed: 헌신하는 - Trustworthy: 신뢰할 수 있는 - Honest: 정직한 - Focused: 집중력이 좋은 - Methodical: 디테일에 강하고 논리적인 - Proactive: 매니징 없이도 스스로 일을 할 수 있는 --- --- id: "imported/blog/study/cs/basicbits" title: "기초 비트 연산" description: "비트연산의 세계는 끝도 없지만, 기초적인 것부터 하나씩 보다보면 특성상 이해하지 못할 것도 없다. network flow를 모를지라도 비트연산은 계속 보다보면 적응이 되기 때문." kind: "record" published: "2023-05-18T00:00:00.000Z" tags: ["bit"] url: "https://www.readiz.com/blog/study/cs/basicbits/" markdownUrl: "https://www.readiz.com/blog/study/cs/basicbits/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # 기초 비트 연산 비트연산의 세계는 끝도 없지만, 기초적인 것부터 하나씩 보다보면 특성상 이해하지 못할 것도 없다. `network flow`를 모를지라도 비트연산은 계속 보다보면 적응이 되기 때문. ## 기초 Reminder 시작하기에 앞서, remind 차원에서 2진수 `1011`이 어떻게 10진수로 변환되는지를 상기해보자. | 1 | 0 | 1 | 1 | | :------: | :------: | :------: | :------: | | 1 \* 2^3 | 0 \* 2^2 | 1 \* 2^1 | 1 \* 2^0 | | 8 | 0 | 2 | 1 | 위 과정을 거쳐 `1011`은 `11`로 변환된다. 이 과정에서 볼 수 있는 것처럼, 만약 전체 셀이 좌측으로 1칸 이동하게 된다면, 이 수에 2를 곱한 것과 같은 결과를 낳는다는 것을 알 수 있다. | 1 | 0 | 1 | 1 | 0 | | :------: | :------: | :------: | :------: | :------: | | 1 \* 2^4 | 0 \* 2^3 | 1 \* 2^2 | 1 \* 2^1 | 0 \* 2^0 | | 16 | 0 | 4 | 2 | 0 | 즉, 이 수는 `11*2` = `22`와 결과가 같아진다. 이를 코드로 구현해서 2의 제곱수를 곱하는 코드를 구현하면 아래처럼 된다. ```cpp int get2powermultiply(int v, int pow2) { return v << pow2; } ``` 또한, 맨 우측의 수만이 `1`을 나타내므로, 홀수일 경우에 맨 우측의 수는 항상 `1`이 됨도 덩달아 알 수 있다. 그래서, 홀수 판정 로직을 아래와 같이 짤 수 있다. ```cpp bool isOdd(int v) { return v & 1; } ``` `C++`에서 `1` = `0b00000...0001`과 같다. 즉, `&` 연산을 취하면 `LSB`인 맨 최하위 비트만 남게 된다. 여기서 `0b000..000`과 같은 표기법을 잠깐 짚고 넘어가자. ### C++에서의 2진수 표현 위에 잠깐 언급한 것처럼, `C++`에서는 2진수를 표현하기 위해 `prefix`인 `0b`를 붙인다. 이것을 붙임으로써 컴파일러한테 내가 앞으로 쓰는 숫자가 10진법이 아니라 2진법이라는 시그널을 주는 것이다. 유의할 점은, 이것이 자료형까지 초월하지는 않는다는 것이다. 흔히 쓰이는 `32bit` 시스템에서는 `int` 자료형 기준으로 `32bit`까지 사용할 수 있다. 그리고, 일반적으로 `int`는 `부호있는` 자료형 취급을 받기 때문에 그냥 `int`를 사용하게 되면 `shift`연산 등에서 조금 헷갈릴 수 있다. 그래서 가급적 비트연산을 할 경우에는 `부호없는` 자료형인 `unsigned int`를 사용하는 것을 추천한다. 또한, 고인물들은 2진수 표현으로 2진수를 쓰지 않는다. 무슨 말인가 하면, 아래와 같은 16진수를 쓰곤 한다는 것이다. ```cpp constexpr unsigned int flipbit = 0x55555555; ``` `0x`로 시작하는 경우 16진수를 뜻한다. 16진수는 `16 = 2^4`이므로, 2진수와 자리수별로 1:4 매핑이 된다. `0x5`라고 쓴 것은, `0b0101`을 의미한다. `0xF`라고 쓴 것은 `0b1111`을 의미한다. 이렇게 고이게 되면, 그냥 16진수만 봐도 2진수를 보는 경지에 이른다. 이게 굳이 필요한 이유는? 2진수로 쓰면 매우 길어지는 것들이 간단하게 써지기 때문이다. 예를 몇가지 들면 - `0xFFFFFFFF = 0b11111111111111111111111111111111` - `0x55555555 = 0b01010101010101010101010101010101` - `0x33333333 = 0b00110011001100110011001100110011` - `0xAAAAAAAA = 0b10101010101010101010101010101010` 와 같은 것들이 있다. 보이는대로 4자리가 하나로 묶이기 때문에, 표현이 길지 않고 간단하게 된다는 장점이 있다. ### 2의 보수 이 부분에 대한 언급을 스킵하면 뒤쪽에서 다루게 될 Tricky한 비트연산 방법들을 이해하기 어려워지기 때문에 짚고 넘어갈 필요가 있겠다. - 작성 중 ## Tricky 한 비트 다루기 ### 최하위 비트 끄기 흔히 팬윅 트리에서 많이 쓰이는 기법이다. 아래와 같이 호출하면, 맨 하위 1비트가 1 -> 0으로 바뀌게 된다. ```cpp v -= v & -v; ``` 위에서 `2의 보수` 와 관련해 다룬 것과 연관이 있다. -v를 하는 순간 전체 비트가 반전되며, 1이 더해진다. 이와 & 연산을 하게되면, 맨 하위 비트를 제외하고는 모두 0이 됨을 알 수 있다. 그런데 위 방법 말고 operation 수가 더 적은 방식도 존재한다. ```cpp v = v & (v-1); ``` 위 방식은 이진수 뺄셈의 특성을 이용한 방식으로, 1을 뺄 경우 최하위 1 비트가 0으로 바뀌고 그 아래 비트가 1로 바뀐다는 사실을 이용한다. 부호바꿈 연산을 절약할 수 있는 방식이다. --- --- id: "imported/blog/study/til/svelte_vs_react" title: "Svelte vs React" description: "Svelte는 HTML 작성구조와 거의 유사한 형태로 컴포넌트를 생성할 수 있는 React와 유사한 FE Framework(프레임워크가 맞는지에 대한 논쟁은 일단 넘어가자)이다. 가장 큰 특징은 React 처럼 state와 props 사용이 인위적이지 않고, 직관적이며 컴포넌트 랜더링 " kind: "record" published: "2023-05-15T00:00:00.000Z" tags: ["js","svelte","react"] url: "https://www.readiz.com/blog/study/til/svelte_vs_react/" markdownUrl: "https://www.readiz.com/blog/study/til/svelte_vs_react/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # Svelte vs React ## Svelte가 뭔데? `Svelte`는 `HTML` 작성구조와 거의 유사한 형태로 컴포넌트를 생성할 수 있는 `React`와 유사한 `FE Framework`(프레임워크가 맞는지에 대한 논쟁은 일단 넘어가자)이다. 가장 큰 특징은 `React` 처럼 `state`와 `props` 사용이 인위적이지 않고, 직관적이며 컴포넌트 랜더링 업데이트가 자동적으로 된다는 것이다. (가령 `useState`를 쓰지 않더라도) 개인적으로 `Svelte` 를 참 좋아한다. 직관적이며, `JSX`라는 희대의 비표준(내가 생각하기에 그렇다)을 쓰지 않을 수 있기에 그렇다. `Svelte` 자체가 참 잘 만들어진 언어이고 사용에도 불편함이 전혀 없고, 실제 나의 Toy Project에도 다수 활용했다. 다만, 치명적인 문제가 있는데 바로 생태계이다. 생태계가 갖추어지지 않은 상태에서는 아무리 좋아도 의미가 없다. 2023년이다. `Component` 기반 개발이 일상화 되어 있고, 모든 것을 혼자 만들 수 없는 세상이다. 이 점이 나는 너무 아쉽다. 만약 `Svelte`가 `React`가 나온 한참 이후 나오지 않고 한 1\~2년 격차를 두었을 때 나왔었다면 `vue` 처럼 2인자 역할을 할 수도 있었을 것이다. 물론 요즘은 유명한 프로젝트들은 `Svelte`도 병렬로 지원하는 경우들이 많이 보이지만, 99개가 `Svelte`를 지원한다 하더라도 결국 1개가 지원하지 않는다면, 매우 귀찮음이 따르게 된다. ## 고질적인 문제인 부족한 컴포넌트의 해결책? 없다. 이게 문제다. 다른 사소한 문제점들이야 어떻게든 고쳐나가거나 하면 되는 문제인데, 이건 해결책이 아예 *없는* 수준이다. 꾸준히 개발이 되어야 하는데, 이미 기업들 입장에서도 `React` 와 같은 것들을 잘 사용하고 있는 입장에서 새로운 컴포넌트들을 다른 언어로 또 개발하게 할 유인책이 없다. 물론 `React` 컴포넌트들을 `Svelte`에서도 사용하게 하는 방식을 취하는 방식의 해결책이 있을 수 있다. 근데 그럼 `React` 쓰면 되지 왜 `Svelte` 쓰겠는가. ## Sveltekit? 나는 이게 정말 별로라고 생각한다. `Svelte`의 핵심은 간단함에 있었다. 그런데 이 프로젝트는 너무 복잡하다. 실제로 `Svelte` 개발을 주도하던 개발자도 이 `Sveltekit`의 첫번째 정식버전을 내놓기까지 상당한 시간이 걸렸다. (실력있는 개발자임에도) 그리고 `Svelte` 릴리즈 시점과 마찬가지로 이미 `SSR` 생태계에 이미 강자들이 다수 존재한다. 이들 사이에 `Svelte`를 쓸 수 있다는 이유만으로 `Sveltekit`을 사용하게 하기에는 너무 메리트가 적다. 그래서 새 블로그를 만들 때는 내가 *사랑하던* `Svelte`를 버리고 `React` 기반의 `vite`를 사용하기로 마음먹었다. 2023년에서는 이게 제일 쓰기 쉽고, 생태계도 크니까. 몇년간 지켜보며 사용했던 프로젝트인 `Svelte`인데, 몇년째 이런 컴포넌트 부족 문제들이 해결되지 않아서 나는 더이상 쓰지 않을 것 같다. 그래도 정들었던 프로젝트여서 한때는 컴포넌트 만들어서 공개도 하고 했는데 이게 뭐 한두사람 더 달라붙는다고 해결된 문제는 아니라서.. --- --- id: "imported/blog/study/cs/memory" title: "Memory" description: "Memory 관련 여러가지 정리. Bit operation으로 /64 줄이기 같은 것을 잘 하려면 알아야 하는 덕목 중 하나이다." kind: "record" published: "2023-05-14T00:00:00.000Z" tags: ["bit","memory","computer architecture"] url: "https://www.readiz.com/blog/study/cs/memory/" markdownUrl: "https://www.readiz.com/blog/study/cs/memory/index.md" recordFolder: "공부/CS" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FCS" --- # Memory Memory 관련 여러가지 정리. Bit operation으로 /64 줄이기 같은 것을 잘 하려면 알아야 하는 덕목 중 하나이다. ## 서론 우선 이야기를 시작하기에 앞서, 여기서 이야기하는 메모리는 `Application` 관점에서의 메모리이다. 즉, 가상메모리를 뜻한다. (물리적인 실제 메모리는 App단에서 접근도 안된다) 이 경우, 각 시스템의 아키텍쳐에 따라 가용한 가상메모리 크기가 달라질 것이다. 이 글에서는 편의상 일반적인 `32 bit` 시스템과 `4GB`의 메모리를 가정해본다. `4GB`의 메모리 수치는 그냥 나온 것은 아니고, `32 bit` 시스템이라면 편하게 가져갈 수 있는 주소값 또한 `32 bit`가 되고, 이 수가 `0xFFFFFFFFU` 이므로 사용가능한 메모리가 `4GB`라고 편하게 이야기 하는 것이다. 단, 여기서 단위는 `bit` 가 아니고 `byte` 임에 유의하자. 메모리 구조상 비트단위의 할당은 가능하지도 않고 효율적이지도 않다. 그래서 한 주소 번지수 (이를테면 `0x10002411`)에는 `1 byte` = `8 bit`의 데이터가 저장되어 있는 것이다. ## 메모리 할당 메모리를 할당한다는 것은 무엇일까? 정확히는 각 프로세스가 가지고 있는 `4GB`의 가상메모리에 할당한다는 것일 것이다. 할당이란 무엇일까? 내가 특정 위치에 있는 메모리 값을 앞으로 사용할 것이다 라는 선언이다. 이 메모리상의 위치는 내가 마음대로 정하는 것이 아니라 `malloc` 과 같은 함수를 통해 얻게된다. 이런 과정이 `할당`이다. 할당받은 주소값은 `32 bit` 시스템에서 `32 bit`가 된다. 이를테면 `0x10002411` 주소를 앞으로 쓰겠다 라고 한다면 앞으로 저 주소에 있는 값을 유의미하게 활용하겠다라는 뜻이 된다. 할당 전의 메모리 값은 일반적으로 보장할 수 없다. 따라서 할당과 동시에 메모리 초기화 작업이 필요하다. ```cpp int* ptr; malloc(ptr, sizeof(int) * 1000); memset(ptr, 0, sizeof(int) * 1000); ``` 흔히 세트로 쓰이는 위 C 코드가 그러한 과정을 거친다. 총 `4 * 1000 byte` 를 할당하면서 기존의 값을 보장할 수 없으니 `memset`을 통해 초기화를 했다. 그런데, 위 과정은 좀 추상적으로 느껴진다. 왜냐면, `malloc` 을 통해서 주소값을 할당 받는다는 것은 알겠는데, 실제로 어느 주소값을 받는다는 것인지? 그 해답이 아래 그림이다. ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-05-15-10-34-33.png) 시스템의 아키텍쳐는 최대한 단순해야할 필요가 있다. 총 `4GB` 의 메모리 주소를 할당할 때, 중간 중간 주소값을 할당할 수도 있겠지만, 그러면 낭비가 생길 가능성이 높다. 그래서, 크게 위쪽부터 (stack), 또 아래쪽부터 (heap), 메모리 공간을 사용한다. 위에서 예시로 들었던 `malloc` 의 경우, `heap` 공간을 사용한다. `heap` 은 무더기, 더미와 같은 뜻을 가지며 그림의 아래 부분이다. `stack`의 경우 지역변수나 함수 호출 시 사용되는 부분이며 위쪽부터 차게 된다. `stack` 공간은 일반적으로 크기가 엄청 크지 않아 제한이 좀 빡센 편이며, 그래서 종종 overflow가 발생한다. 이것을 `stack overflow` 라고 부른다. (유명한 사이트도 있다) `stack`은 위에 짧게 언급한 것처럼 함수 호출시에도 쌓이기 때문에, 종종 재귀함수나 `DFS`를 구현할 때 터지게 되는 원인으로 작용하기도 한다. 또, 왜 흔히들 전역변수에다가 배열을 선언하는지도 알 수 있다. 이러한 메모리 구조를 알고 나면 터지는 것을 줄이지는 못하더라도 왜 터지는지는 알 수 있다. ## 자료형과 메모리 위에서 메모리 주소값에 관한 이야기를 했다면 다음으로는 자료형에 대한 이야기가 필수적이다. 자료형이 메모리에 매핑되는 방식은 아래와 같다. ```cpp struct mydata { int number1; char string1[15]; int number2; double floating_point1; char char1; float floating_point2; short short1; int number3; double floating_array[3]; } d; d.number1 = 1234567; strcpy(d.string1, "Hello world!"); d.number2 = 1; d.floating_point1 = 2.0; d.char1 = 1; d.floating_point2 = 999.999; d.short1 = 30000; d.number3 = -1; d.floating_array[0] = 1.0; d.floating_array[1] = 2.0; d.floating_array[2] = 3.0; ``` ![원문에 첨부된 이미지](https://www.readiz.com/assets/2023-05-14-14-33-44.png) 위 예시는 `Little Endian`을 사용한 예시이다. 주의할 점이자 알면 좋은 점이 두가지가 있다. 1. 일반적으로 `int` 형의 경우 `4 byte`를 사용하는데, 위에서 언급한 것처럼, 메모리의 기본 단위는 `1 byte`이다. 즉, `1 byte`를 어떤 순서로 `4 byte`에 배열할 것인가에 대한 문제가 생긴다. 이를 해결하는 방법이 두가지가 있는데, 보통 `Little Endian`, `Big Endian` 이라고 부르곤 한다. 자세한 내용은 검색해보도록 하자. 2. `C/C++`과 같은 언어는 형변환이 자유롭다. 이를테면 char 형태의 배열을 `int* p = (int*) charArr;`와 같은 식으로 변환해서 접근할 수 있는데, 이렇게 할 경우 `4byte`를 한번에 다룰 수 있다. 이 부분은 가끔 성능을 높이는데에 도움이 될 수 있어서 아래와 같은 예시코드를 하나 첨부한다. 물론 memset 하면 되는 부분인데 대충 이런 느낌이다 하고 이해하기 좋아서 첨부하는 것.. ```cpp void init(char myArr[1'000'000]) { unsigned long long *ullp = (unsigned long long*)myArr; for(int i = 0; i < 125'000; ++i) ullp[i] = 0; } ``` 일단 흔히 쓰이는 int 형에 대해서, 숫자 `32`를 메모리 주소 `0xA0000000` 에 넣고 싶다고 가정해보자. 실제 메모리에 해당 값이 어떻게 올라가 있을까? (Endian 시스템에 따라 달라지지만.. 우선 `Little Endian` 에서의 예시를 살펴본다) | 0xA0000000 | 0xA0000001 | 0xA0000002 | 0xA0000003 | | :--------: | :--------: | :--------: | :--------: | | 0x20 | 0x00 | 0x00 | 0x00 | 여기서 `32`가 아닌 `0x20`이 들어간 이유는 16진법을 사용하고 있기 때문이다. 위 표와 같이, 하나의 주소 공간에 `1 byte` 가 들어가고, 총 `4 byte` 공간에 걸쳐서 데이터가 들어갔다. 예시를 하나만 더 보자. 이번엔 문자열 "Hello" 가 같은 공간에 저장될 경우에 어떻게 될지 본다. | 0xA0000000 | 0xA0000001 | 0xA0000002 | 0xA0000003 | 0xA0000004 | 0xA0000005 | | :--------: | :--------: | :--------: | :--------: | :--------: | :--------: | | 0x48 | 0x65 | 0x6C | 0x6C | 0x6F | 0x00 | 이제 감이 거의 다 왔을 것이다. 각 숫자들은 `ASCII` 형식으로 인코딩 된 것이며(자세히 들어가면 다른 인코딩 형태를 쓴다면 `1 byte`로는 부족한 경우도 있다), 맨 끝 주소에 있는 값에 `0x00`이 있는 것을 볼 수 있는데 이것은 흔히 이야기하는 `NULL` 문자열을 의미한다. 이게 없다면 어디까지가 문자열의 끝인지 알기가 어려울 것이다. `char[]` 형태가 조금 특별하고, `short`, `int`, `long long`의 경우 길이의 차이만 있다. 그리고 물론 `float`, `double`도 있는데 이것은 IEEE에서 정한 특별한 `지수`, `가수`를 나눠 표기하는 방법이 있으니 관심있으면 추가로 찾아보도록 하자. 어찌됐든 이들 모두는 맨 앞 비트(MSB)를 통해 부호를 판정할 수 있는 것은 공통적이다. ```cpp bool isNegative(int v) { const unsigned int mask = 0x80000000U; return ((unsigned int) v & mask); } ``` ## 각종 활용 위 내용은 흔히들 다들 안다고 생각하는 내용이다. 하지만 이러한 성질들을 활용하는 것은 또다른 문제이다. 우선, 이런 궁금증이 있을 수 있다. 특정 메모리 공간은 `1 byte` 단위로 밖에 사용할 수 없는가? 예를들면, 경우에 따라 `ASCII`를 쓰는 `1 byte` 조차도 아까운 경우가 있을 수 있다. 5비트로 표현이 가능한 문제열만 온다고 헀을 때는 5비트만 사용해서 문자를 나타내는게 최적일텐데, 그러면 이러한 비트단위 조작이 필요한 경우는 어떻게 해결할 수 있을까? 비트단위 동작은 구현하기에 따라 엄청나게 빠를 수도 있고 느릴 수도 있다. 일단은 느린 방법으로 먼저 연습해보고, 각종 로직들을 빨라지도록 수정해보자. 우선, 메모리 공간은 `char[]`에 대응된다. 실제 주소의 최소 단위가 `1 byte` 단위이고, `char`의 크기도 `1 byte`이니 천생연분이다. 이 배열의 초기 시작 주소를 사용하고자 하는 메모리의 시작 주소라고 하자. 그러면 n 비트 뒤의 공간(n 바이트가 아님에 유의)은 어떻게 접근할 것인가? 아래처럼 할 수 있다. ```cpp bool getBit(char arr[], int bitpos) { return (arr[bitpos >> 3] & (bitpos & 0x7)) != 0; } ``` `>> 3`은 `/ 8`과 동일한 효과이며, `0x7`은 `% 8`과 동일한 효과이다. 위 로직은 아주 아름답게 동작한다. setBit도 유사하게 구현할 수 있다. ```cpp bool setBit(char arr[], int bitpos) { return arr[bitpos >> 3] |= 1 << (bitpos & 0x7); } ``` ### O(N/64)의 매직 그런데, 어느세월에 비트를 하나씩 켜고 있겠는가? 특히나 우리는 성능 최적화를 하려고 이런 `Low Level`을 배우고 있는 것이지 비트를 하나씩 켜고 끄려고 배우고 있는 것이 아니다. 어떤 메모리상의 값을 한번에 바꿀 때는 가능하면 *가장 큰 단위* 로 하는 것이 좋다. 만약에 메모리상의 비트를 `01010101...`와 같은 식으로 세팅하고 싶으면 어떤가? 아래처럼 하면 낭비다. ```cpp for (int i = 0; i < MAX_POS; ++i) { if (i & 1) setBit(arr, i); } ``` 위 코드는 의도한대로 틀림없이 동작할 것이지만, `unsigned long long` 이라는 `64 bit` 자료형으로 64배 빠르게 만들 수 있다. (엄밀하게는 배열 크기가 커짐에 따라 L1 / L2 캐시 등을 생각하면 64배까지는 아닐 수 있겠지만 아무튼 빨라진다) ```cpp unsigned long long mask = 0x5555555555555555ULL; unsigned long long *ullp = (unsigned long long*) arr; for(int i = 0; i < MAX_POS / 64; ++i) { ullp[i] = mask; } ``` `0x5555...`는 0101... 이 연속적으로 있는 것의 16진수 표현이다. ### 임의 bit 수의 데이터 연속 쓰기 만약, 아래와 같은 세 종류의 비트 세트를 계속해서 write 해야하는 경우를 생각해보자. `Huffman` 코딩과 같은 곳에서 사용되는 case일 수 있겠다. 1. 0 2. 10 3. 11 쓰고자 하는 데이터는 `01011100001011`과 같이 될 것이다. 원본 데이터는 `int oData[]`에 저장되어 있다고 하자. Naive하게는 아래처럼 구현된다. ```cpp int bitpos = 0; for (int i = 0; i < DATA_SIZE; ++i) { switch (oData[i]) { case 1: ++bitPos; break; case 2: ++bitPos; setBit(arr, bitPos++); break; case 3: setBit(arr, bitPos++); setBit(arr, bitPos++); break; } } ``` 그런데, 이것을 LUT를 활용해서 분기없이 처리할 수 있다. ```cpp char* p = arr; int offset = 0; for (int i = 0; i < DATA_SIZE; ++i) { p |= LUT[offset][oData[i]]; p += LUT_NEXT[offset][oData[i]]; offset += LUT_SIZE[oData[i]]; offset &= 0x7; } ``` 여기서 쓰일 수 있는 LUT 구현은 직접 해보자. ## 참고자료 - C Primer --- --- id: "imported/ps/algorithm/general/bitcnt" title: "Bitcnt" description: "Bit count는 말 그대로 int 나 long long 등에 저장된 숫자가 2진법으로 1이 몇개가 켜져있는지를 세는 것을 말한다. 흔히 __builtin_popcount로 사용하지만, 직접 구현할 경우를 살펴본다." kind: "record" published: "2023-05-13T00:00:00.000Z" tags: ["bit"] url: "https://www.readiz.com/notes/algorithm/general/bitcnt/" markdownUrl: "https://www.readiz.com/notes/algorithm/general/bitcnt/index.md" recordFolder: "알고리즘/일반" folderUrl: "https://www.readiz.com/records/?folder=%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%2F%EC%9D%BC%EB%B0%98" --- # Bitcnt Bit count는 말 그대로 `int` 나 `long long` 등에 저장된 숫자가 2진법으로 1이 몇개가 켜져있는지를 세는 것을 말한다. 흔히 `__builtin_popcount`로 사용하지만, 직접 구현할 경우를 살펴본다. `__builtin_popcount`란 gcc 내장 함수로, 아래와 같이 사용한다. (VS에서는 다른 함수가 있다) ```cpp __builtin_popcount(v); // v는 int 형 ``` 만약 64bit의 bitcnt가 필요하다면, 뒤에 ll이 붙은 `__builtin_popcountll`을 사용한다. ### Naive 가장 Naive한 방법은 아래와 같다. ```cpp int bitcnt(unsigned int v) { int cnt = 0; for(int i = 0, mask = 0x1; i < 32; ++i, mask <<= 1) { if (v & mask) ++cnt; } return cnt; } ``` ### Sparse bit가 sparse하게 있는 경우에는 아래 방법이 유효하다. (켜진 bit수가 적을 것으로 예상되는 경우) 맨 끝 켜진 bit를 없애는 것으로 팬윅 트리의 구현에서도 쓰이는 방법이다. 아래 방법 대신 `v & (v-1)` 도 가능하다. 성능 차이는 없을 듯.. ```cpp int bitcnt(unsigned int v) { int cnt = 0; while (v) { v -= v & -v; // or v &= v - 1; ++cnt; } return cnt; } ``` ### DP Table 물론 32자리 전체에 대해서 저장은 불가능하다. 아, 불가능하다기보다는 메모리 낭비가 너무 심하다는 점? 보통 이럴때는 16bit 단위로 끊어서 저장하는 테크닉을 많이 사용한다. 16bit 단위는 계산하면 `65536(= 1<<16)` 만큼의 배열 크기가 요구되는데, 고사양의 컴퓨터를 제외한 일반적으로 쓰이는 컴퓨터의 경우 L1 Cache 가 `< 64 kb`, L2 Cache가 `< 4MB` 의 크기를 가진다고 알려져 있으므로, 해당 크기는 충분히 Cache 활용이 가능한 범위라고 할 수 있겠다. ```cpp char DP[1<<16]; void init() { // 16bit 가 들어왔을때의 popcount 를 DP 테이블에 저장해둔다. } int bitcnt(unsigned int v) { return DP[v>>16] + DP[v&0xFFFF]; } ``` ### Divide & Conquer bitfield는 마치 병렬 연산처럼 한번에 계산이 가능하다. 이를테면, `0x55555555`와 `AND` 연산을 하게 되면 `010101..` 처럼 bit가 남게 되는데, 이 이후에 `>>1` 한 값과 더해주면 인접한 두 비트의 카운트가 된다. 또한, 이 이후에 `0x33333333`와 `AND` 연산을 하게 되면, 인접한 네 비트의 카운트가 된다. 이를 반복한다. ```cpp int bitcnt(unsigned int v) { v = (v & 0x55555555U) + ((v >> 1) & 0x55555555U); v = (v & 0x33333333U) + ((v >> 2) & 0x33333333U); v = (v & 0x0F0F0F0FU) + ((v >> 4) & 0x0F0F0F0FU); v = (v & 0x00FF00FFU) + ((v >> 8) & 0x00FF00FFU); v = (v & 0x0000FFFFU) + ((v >> 16) & 0x0000FFFFU); } ``` 아래와 같은 방법으로 Operation을 좀 더 줄일 수 있다. 첫 두번 (인접 4비트 더하는)을 제외하고 나서는 사실 AND 연산을 두번 할 필요가 없다. 참고: ```cpp unsigned int v; // count bits set in this (32-bit value) unsigned int c; // store the total here static const int S[] = {1, 2, 4, 8, 16}; // Magic Binary Numbers static const int B[] = {0x55555555, 0x33333333, 0x0F0F0F0F, 0x00FF00FF, 0x0000FFFF}; c = v - ((v >> 1) & B[0]); c = ((c >> S[1]) & B[1]) + (c & B[1]); c = ((c >> S[2]) + c) & B[2]; c = ((c >> S[3]) + c) & B[3]; c = ((c >> S[4]) + c) & B[4]; ``` 맨 처음에 1만큼 `right shift` 하고 `0x55555555U`를 씌워서 빼는 방법도 유심히 보자. 인접 2비트가 둘 다 켜져있는 경우에 세워두면 `11`인데, 여기서 `01`을 빼면 `10`, 즉 숫자 2가 되므로, 2개를 카운트 하게 되는 것. 그러나 위 구현도 살짝 복잡해서, 타협점으로 아래처럼 구현하는게 외우기 제일 쉬운듯 하다. (사실 첫줄 제외하면 똑같다) ```cpp int bitcnt(unsigned int v) { v = (v & 0x55555555U) + ((v >> 1) & 0x55555555U); v = (v & 0x33333333U) + ((v >> 2) & 0x33333333U); v = (v + (v >> 4)) & 0x0F0F0F0FU; v = (v + (v >> 8)) & 0x00FF00FFU; v = (v + (v >> 16)) & 0x0000FFFFU; } ``` ### Built-in이 제공되지 않는 상황에서의 Optimal 64bit까지 포함해서 가장 빠른 방식은 아래 방식이다. 외우기는 조금 빡세다. `inline`이나 `#define`을 써서 함수도 없애버리자. 인접 8비트까지 조진다음, 곱셈으로 끝낸다. 결과값을 `0x010101..` 로 곱할 경우, 2진 곱셈을 잘 따라가보면, 각 8비트 쪼가리를 더하게 되는 원리이다. 이 합은 `자료형 - 8` 만큼 `right shift` 해야 구해진다. 아래 코드를 보면 알겠지만 분할 정복 방식은 64bit 연산을 하게되면 operation이 추가되는데, 이 방식의 경우 operation 수가 늘어나지 않는다. (shift만 32 - 8이었던 것이 64 - 8만큼으로 변하는 것) 그래서 64bit 연산시 제일 유리하다. ```cpp #define BITCNT(n,r) { \ n -= (n >> 1) & 0x5555555555555555; \ n = (n & 0x3333333333333333) + ((n >> 2) & 0x3333333333333333); \ r = (((n + (n >> 4)) & 0xF0F0F0F0F0F0F0F) * 0x101010101010101) >> 56; \ }; ``` ## 성능 측정 `-O0` 옵션으로 gcc 컴파일 했을 때의 비교이다. (GCC version: 9.4.0) 우선, `32 bit` 기준 결과이다. ``` BUILTINWAY: 298 ms OPTIMAL WAY: 282 ms DIVIDE & CONQUER WAY: 284 ms DP WAY: 296 ms SPARSE WAY: 322 ms NAIVE WAY: 489 ms ``` `64 bit` 기준으로는 아래와 같이 된다. ``` BUILTINWAY: 517 ms OPTIMAL WAY: 521 ms DIVIDE & CONQUER WAY: 562 ms DP WAY: 750 ms SPARSE WAY: 776 ms NAIVE WAY: 1009 ms ``` 성능 측정 코드는 아래와 같다. ### 32bit Test ```cpp #include #include #define BITCNT(n,r) { \ n -= (n >> 1) & 0x5555555555555555; \ n = (n & 0x3333333333333333) + ((n >> 2) & 0x3333333333333333); \ r = (((n + (n >> 4)) & 0xF0F0F0F0F0F0F0F) * 0x101010101010101) >> 24; \ }; int cntbit(unsigned int v) { v = (v & 0x55555555U) + ((v >> 1) & 0x55555555U); v = (v & 0x33333333U) + ((v >> 2) & 0x33333333U); v = (v + (v >> 4)) & 0x0F0F0F0FU; v = (v + (v >> 8)) & 0x00FF00FFU; v = (v + (v >> 16)) & 0x0000FFFFU; } int cntbit_sparse(unsigned int v) { int cnt = 0; while (v) { v -= v & -v; ++cnt; } return cnt; } int cntbit_naive(unsigned int v) { int cnt = 0; for(unsigned int mask = 0x1, i = 0; i < 32; ++i, mask <<= 1) { if (v & mask) ++cnt; } return cnt; } char DP[1<<16]; int cntbit_dp(unsigned int v) { return DP[v & 0xFFFF] + DP[v >> 16]; } int rand() { static unsigned int seed = 5; seed = 214013 * seed + 2531011; return seed >> 16; } unsigned int randuint() { unsigned int res = 0U; for(unsigned int mask = 0x1, i = 0; i < 32; ++i, mask <<= 1) { if (rand() & 1) { res |= mask; } } return res; } int main() { for(int i = 0; i < (1<<16); ++i) { DP[i] = __builtin_popcount(i); } constexpr int TESTCNT = 1'000'000; // validation for(register int i = 0; i < TESTCNT; ++i) { unsigned int tval = randuint(); if (__builtin_popcount(tval) != cntbit(tval)) { printf("VALIDATION FAILED!\n"); } } clock_t s; s = clock(); for (register int i = 0; i < TESTCNT; ++i) { __builtin_popcount(randuint()); } printf("BUILTINWAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { unsigned long long v = randuint(); int r; BITCNT(v, r); } printf("OPTIMAL WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit(randuint()); } printf("DIVIDE & CONQUER WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_dp(randuint()); } printf("DP WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_sparse(randuint()); } printf("SPARSE WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_naive(randuint()); } printf("NAIVE WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); return 0; } ``` ### 64bit Test ```cpp #include #include #define BITCNT(n,r) { \ n -= (n >> 1) & 0x5555555555555555; \ n = (n & 0x3333333333333333) + ((n >> 2) & 0x3333333333333333); \ r = (((n + (n >> 4)) & 0xF0F0F0F0F0F0F0F) * 0x101010101010101) >> 56; \ }; int cntbit(unsigned long long v) { v = (v & 0x5555555555555555ULL) + ((v >> 1) & 0x5555555555555555ULL); v = (v & 0x3333333333333333ULL) + ((v >> 2) & 0x3333333333333333ULL); v = (v + (v >> 4)) & 0x0F0F0F0F0F0F0F0FULL; v = (v + (v >> 8)) & 0x00FF00FF00FF00FFULL; v = (v + (v >> 16)) & 0x0000FFFF0000FFFFULL; v = (v + (v >> 32)) & 0x00000000FFFFFFFFULL; } int cntbit_sparse(unsigned long long v) { int cnt = 0; while (v) { v -= v & -v; ++cnt; } return cnt; } int cntbit_naive(unsigned long long v) { int cnt = 0; for(unsigned int mask = 0x1, i = 0; i < 64; ++i, mask <<= 1) { if (v & mask) ++cnt; } return cnt; } char DP[1<<16]; int cntbit_dp(unsigned long long v) { return DP[v & 0xFFFF] + DP[(v >> 16) & 0xFFFF] + DP[(v >> 32) & 0xFFFF] + DP[v >> 48]; } int rand() { static unsigned int seed = 5; seed = 214013 * seed + 2531011; return seed >> 16; } unsigned long long randull() { unsigned long long res = 0U; for(unsigned int mask = 0x1, i = 0; i < 64; ++i, mask <<= 1) { if (rand() & 1) { res |= mask; } } return res; } int main() { for(int i = 0; i < (1<<16); ++i) { DP[i] = __builtin_popcount(i); } constexpr int TESTCNT = 1'000'000; // validation for(register int i = 0; i < TESTCNT; ++i) { unsigned long long tval = randull(); if (__builtin_popcountll(tval) != cntbit(tval)) { printf("VALIDATION FAILED!\n"); } } clock_t s; s = clock(); for (register int i = 0; i < TESTCNT; ++i) { __builtin_popcountll(randull()); } printf("BUILTINWAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { unsigned long long v = randull(); int r; BITCNT(v, r); } printf("OPTIMAL WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit(randull()); } printf("DIVIDE & CONQUER WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_dp(randull()); } printf("DP WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_sparse(randull()); } printf("SPARSE WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); s = clock(); for (register int i = 0; i < TESTCNT; ++i) { cntbit_naive(randull()); } printf("NAIVE WAY: %d ms\n", (clock() - s) * 1000 / CLOCKS_PER_SEC); return 0; } ``` --- --- id: "imported/blog/viewings/miscellaneous/mistake" title: "오답노트" description: "알게 모르게 정말 추상화란 강력한 힘을 부여한다. 특히 컴퓨터의 경우 low level에서는 트랜지스터가 작동하고 있다는 사실을 알아채기 정말 어렵다. 그리고 low level은 다 챙기기엔 귀찮기도 하고 개발하기에 시간도 많이 소요되고.." kind: "record" published: "2023-05-12T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/viewings/miscellaneous/mistake/" markdownUrl: "https://www.readiz.com/blog/viewings/miscellaneous/mistake/index.md" recordFolder: "읽을거리/여러 생각" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%97%AC%EB%9F%AC+%EC%83%9D%EA%B0%81" --- # 오답노트 ## Low level 알게 모르게 정말 추상화란 강력한 힘을 부여한다. 특히 컴퓨터의 경우 low level에서는 트랜지스터가 작동하고 있다는 사실을 알아채기 정말 어렵다. 그리고 low level은 다 챙기기엔 귀찮기도 하고 개발하기에 시간도 많이 소요되고.. 나도 `javascript`와 같이 효율적으로 구현하는 high level의 개발을 선호하는 편이지만, low level까지 알지 못한다면 가끔씩 이해하기 어려운 문제를 발견했을 때 쉽게 눈치채기 어렵다. 오늘 저지른 실수 한가지를 공유해본다. ```cpp for (unsigned int i = 0; i <= 0xFFFFFFFFU; ++i) { validation(i); } ``` 위 로직은 작성자가 의도한 바에 따르면 `0` 에서 `0xFFFFFFFFU` 까지 루프를 돌고 종료될 것이다. 과연 그럴까? 문제가 되는 지점은 `0xFFFFFFFFU` 다음의 숫자이다. `0xFFFFFFFFU` 다음의 숫자가 무엇일까? 여기서 아차 싶었다. 나도 모르게 `for` 문을 추상화 해서 생각하고 있었던 것. 사실 위 로직은 `i` 라는 변수를 지속적으로 업데이트 하면서 비교를 하고 있을 따름이다. `overflow`가 일어나기 때문에 `0xFFFFFFFFU + 1U = 0` 이다. 즉, 위 루프는 얼핏 보면 약 42억번 동작할 것 같지만, 무한루프에 빠진다. 잠시나마 골머리 썩혔던 문제고, 알고나면 별 문제 아닌데, 알고나면 김샌다. 이런 일 없도록 low level의 공부를 게을리 해서는 안될 거 같다. ## 내실을 다지자 상위 알고리즘을 푼다고 해서 자동적으로 모든 알고리즘을 아는 것은 아니다. 최근에도 `MST` 라는 것의 개념을 처음 접했고(이름은 들어봤다 했을지라도), 그래프에서의 `cycle`을 어떻게 쉽게 판정하는지도 알게 됐다. `Union Find`의 첫 활용 예를 알게 됐다고 해야하나.. 개발을 좋아하기 때문에 구현 문제에 강한 느낌인데 이것 말고도 다 잘해야 한다. 그것이 프로니까.. (오글오글) --- --- id: "imported/blog/history/boj/boj-6549" title: "BOJ 6549 (직사각형 최대 넓이 구하기)" description: "예전에 스택으로 풀 수 있다는 이야기만 듣고 덮어놨었던 문제. 다이아몬드 가공 문제에서 최대 면적을 빠르게 구해야할 필요가 있어서 다시 꺼내 풀어보았다." kind: "record" published: "2023-05-10T00:00:00.000Z" tags: ["PS","BOJ","stack"] url: "https://www.readiz.com/blog/history/boj/boj-6549/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-6549/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 6549 (직사각형 최대 넓이 구하기) - 문제 제목: 히스토그램에서 가장 큰 직사각형 - 문제 링크: - BOJ 해설: 예전에 스택으로 풀 수 있다는 이야기만 듣고 덮어놨었던 문제. 다이아몬드 가공 문제에서 최대 면적을 빠르게 구해야할 필요가 있어서 다시 꺼내 풀어보았다. (사담이지만, 백준은 다양한 문제를 풀 수 있어서 좋은듯.. 이런 서비스가 한국에 있어서 분명 한국의 SW 경쟁력을 높힌다고 생각.) SegTree나 분할정복으로 `O(n*log n)`이 걸리는 시간복잡도를 `O(n)` 으로 줄일 수 있는 획기적인 아이디어. 스택에는 항상 증가하는 순서로 height 들이 들어가 있으므로, pop 한 이후 `idx.top()`을 하게되면, 최대 width가 나온다. 이 부분이 핵심 아이디어. 전체 코드는 아래와 같다. ```cpp void solve() { for (rint i = 1; i <= N; ++i) { scanf("%d", &A[i]); } A[0] = A[N+1] = 0; stack idx; idx.push(0); ll maxArea = 0; for(rint i = 1; i <= N + 1; ++i) { // N + 1, 마지막 fake 원소로 끝내기 위함 _D("checking A[%d] = %d\n", i, A[i]); while(idx.size() && A[idx.top()] > A[i]) { int c = idx.top(); idx.pop(); // 더 작으면 pop한다. ll w = i - idx.top() - 1; // c - i가 아님에 유의! **자기보다 더 작은 애가 있는 곳까지.. ll h = A[c]; ll area = w * h; _D("area: %lld\n", area); if (area > maxArea) maxArea = area; } idx.push(i); // 신규 원소 push } printf("%lld\n", maxArea); } ``` --- --- id: "imported/blog/history/cf/cf-871h" title: "Codeforces Round 871 H번" description: "뭔가 발상이 잘 안떠오른다 싶으면 DP인듯. 시험 끝나고 반응을 보니 코포 DP 대표유형(?) 취급이다. 익숙해질 필요가 있는듯. 10^9 + 7 따위와 같은 수로 나누는 것도 DP 신호 중 하나. DP는 꾸준한 연습만이 살 길." kind: "record" published: "2023-05-10T00:00:00.000Z" tags: ["PS","codeforces","DP"] url: "https://www.readiz.com/blog/history/cf/cf-871h/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-871h/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 871 H번 - 문제 제목: Don't Blame Me - 문제 링크: 뭔가 발상이 잘 안떠오른다 싶으면 DP인듯. 시험 끝나고 반응을 보니 코포 DP 대표유형(?) 취급이다. 익숙해질 필요가 있는듯. `10^9 + 7` 따위와 같은 수로 나누는 것도 DP 신호 중 하나. DP는 꾸준한 연습만이 살 길. 문제는 원소끼리 `AND` operation을 한 뒤 k개의 비트가 켜져있는 있는 경우의 수를 세는 것. `N * 64` 만큼의 DP 배열을 만들고, 아래와 같은 세 case를 빠뜨리지 않도록 한다. ```cpp // i번째를 채우는 상황 // 기본값 세팅 DP[i][A[i]] = 1; // i번째 원소를 선택하지 않는 경우는 i-1번째의 경우의 수와 같다. DP[i][j] += DP[i-1][j]; // i번째 원소를 선택하는 경우 값은 타겟 값이 j & A[i]로 변경된다. DP[i][j & A[i]] += DP[i-1][j]; ``` 그리고 결과를 출력할 때는 DP\[N]\[j]를 보되, j는 popcnt 가 K가 되는 경우만 accept 한다. ### Solution ```cpp int N, K; int A[200'001]; ll DP[200'001][64]; ll MOD = 1'000'000'007; void solve() { scanf("%d %d", &N, &K); _D("N: %d, K: %d\n", N, K); for(R int i = 1; i <= N; ++i) { scanf("%d", &A[i]); for(R int j = 0; j < 64; ++j) { DP[i][j] = 0; } } for(R int i = 1; i <= N; ++i) { DP[i][A[i]] += 1; for(int j = 0; j < 64; ++j) { // prev value DP[i][j] += DP[i-1][j]; // 새로운 값을 쓰지 않는 경우 DP[i][j] %= MOD; int nv = j & A[i]; DP[i][nv] += DP[i-1][j]; DP[i][nv] %= MOD; } } ll ans = 0; for(int j = 0; j < 64; ++j) { if (cntbit(j) == K) { ans += DP[N][j]; ans %= MOD; _D("DP[%d][%d] = %d\n", N, j, DP[N][j]); } } printf("%lld\n", ans); } ``` --- --- id: "imported/blog/viewings/tasks/pagedev" title: "공사 진척도" description: "현재 사용하고 있는 vite-pages-react-pages가 그냥 막 사용하기에는 좋은데, 이것저것 고치려니까 나름 손이 많이 가는 중." kind: "record" published: "2023-05-02T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/viewings/tasks/pagedev/" markdownUrl: "https://www.readiz.com/blog/viewings/tasks/pagedev/index.md" recordFolder: "읽을거리/작업 기록" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%9E%91%EC%97%85+%EA%B8%B0%EB%A1%9D" --- # 공사 진척도 현재 사용하고 있는 `vite-pages-react-pages`가 그냥 막 사용하기에는 좋은데, 이것저것 고치려니까 나름 손이 많이 가는 중. 그대로 두기에는 애매하니, 정리 리스트를 사용해서 정비해야겠다. ## Working - [x] utterances -> giscus 이전 - [x] Header 자동 삽입 - [x] 최근 글 리스트 삽입 - [x] Tag 정비 - 글마다 태그 넣어야 하고, 태그별로 볼 수 있게 하고, 글 하단에 태그 리스트 출력 - [x] 글 목록을 볼 수 있게 만드는 페이지 - 각 카테고리 별로 있으면 좋을 듯 - [x] 테마 내부적으로 변경 사용 - 3차 하위페이지 노출 안하도록 변경 - 카운트 노출하도록 변경 - 3차 이하 페이지 선택시 상위 카테고리 선택된 UI 노출 - [x] 카테고리 별로 카운트 적용 - [x] Footer 정비 - [x] import 안되는 lib 들 확인. Math / Graph 라이브러리 추가 필요.. - [x] Latex 적용 - [x] Mermaid 적용 - [x] Design Pattern 그릴 수 있게 준비 - [x] BA 곡 추가 - [x] PageView 중복 현상 useState로 막기 - [ ] katex, mermaid를 built-in으로.. 일단 vite plugin을 built-in화 시키는 것을 고민.. - [ ] Loading Animation, Transition, 새로운 ccs 표준으로? - [ ] Code 조각 볼 수 있게 하는 페이지 신규 개발 ## Pending - [ ] 개인 소개 페이지 작성 - [ ] OTP 페이지 작성 - [ ] Coding Note 개선. 폴더별로 빌드해서 Viewer에 연결.. API 처럼 활용해서 가져오기? (React Component로 쿼리해서 가져올 수 있을 듯) - [ ] 다크 테마 적용 - [ ] Counter - [ ] 우측 메뉴에 최근 글? ## 공사 원칙 - 모든 컴포넌트들은 10년 쓸 생각으로 깔끔하게 모듈화 - 나중에 컴포넌트 만든 것 기반으로 npm 공개도.. - React 컴포넌트들은 재활용이 쉬우니 다양하게 만들어서 활용하자. - 남이 만든건 잘 못쓰겠다. -,.- --- --- id: "imported/blog/history/boj/boj-11727" title: "BOJ 11727 (2xn 타일링)" description: "간단한 DP 연습 문제. 아래 점화식을 N = 3, 4, 5 반복해보면 관찰할 수 있다." kind: "record" published: "2023-05-01T00:00:00.000Z" tags: ["PS","BOJ","DP"] url: "https://www.readiz.com/blog/history/boj/boj-11727/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-11727/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 11727 (2xn 타일링) - 문제 제목: 2×n 타일링 2 - 문제 링크: 간단한 DP 연습 문제. 아래 점화식을 N = 3, 4, 5 반복해보면 관찰할 수 있다. ``` DP[i] = DP[i-1] + DP[i-2] * 2 ``` N 은 1000보다 작은 정수이므로 위 점화식으로 시간 복잡도 안으로 구하기 가능. 끝. ```cpp #include using namespace std; int DP[1001] = {0, 1, 3}; int main() { int N; scanf("%d", &N); for(int i = 3; i <= N; ++i) { DP[i] = DP[i-1] + (DP[i-2] << 1); DP[i] %= 10007; } printf("%d\n", DP[N]); return 0; } ``` --- --- id: "imported/blog/history/boj/boj-11057" title: "BOJ 11057 (오르막 수)" description: "간단한 DP 연습 문제. 오르막 수는 n번째 자리에 올 수 있는 수가 n - 1번째 자리에 올 수 있는 수로 정해진다." kind: "record" published: "2023-04-29T00:00:00.000Z" tags: ["PS","BOJ","DP"] url: "https://www.readiz.com/blog/history/boj/boj-11057/" markdownUrl: "https://www.readiz.com/blog/history/boj/boj-11057/index.md" recordFolder: "풀이 기록/BOJ" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FBOJ" --- # BOJ 11057 (오르막 수) - 문제 제목: 오르막 수 - 문제 링크: 간단한 DP 연습 문제. 오르막 수는 n번째 자리에 올 수 있는 수가 n - 1번째 자리에 올 수 있는 수로 정해진다. k라는 수가 n번째 자리에 올 수 있는 경우의 수는 n - 1번째 자리에서 0 \~ k까지 올 수 있는 수의 합이 된다. ``` DP[k][n] = DP[k][n-1] + DP[k-1][n-1] + ... DP[0][n-1] ``` 경우의 수를 셀 때에는 0번째 위치의 경우의 수를 1로 초기화해서 풀어야 함에 유의. ```cpp #include using namespace std; int DP[10][1001]; int main() { int N; scanf("%d", &N); for(int i = 0; i < 10; ++i) { DP[i][0] = 1; } for(int n = 1; n <= N; ++n) { for(int K = 0; K < 10; ++K) { // n번째 수가 K일 때 수 세기 int& T = DP[K][n]; for(int k = 0; k <= K; ++k) { T += DP[k][n - 1]; } T %= 10007; } } printf("%d\n", DP[9][N]); return 0; } ``` --- --- id: "imported/blog/history/cf/cf-867g" title: "Codeforces Round 867 G번" description: "루트로 줄이기 문제. 알고 있는 기법이라 생각하는데 늘 실전에서는 약하다." kind: "record" published: "2023-04-27T00:00:00.000Z" tags: ["PS","codeforces","sqrt decomposition"] url: "https://www.readiz.com/blog/history/cf/cf-867g/" markdownUrl: "https://www.readiz.com/blog/history/cf/cf-867g/index.md" recordFolder: "풀이 기록/Codeforces" folderUrl: "https://www.readiz.com/records/?folder=%ED%92%80%EC%9D%B4+%EA%B8%B0%EB%A1%9D%2FCodeforces" --- # Codeforces Round 867 G번 - 문제 제목: Magin Triples - 문제 링크: [G1](https://codeforces.com/contest/1822/problem/G1) [G2](https://codeforces.com/contest/1822/problem/G2) 루트로 줄이기 문제. 알고 있는 기법이라 생각하는데 늘 실전에서는 약하다. 어떻게 생각하는 것이 좋냐면, 예를들어 10^5 정도의 수가 되었을 때, 이 수로 n^2 알고리즘을 돌리게 되면 Timeout이 난다는 점이다. 보통 10억 정도의 연산량 (=10^9)이 될 때 1초 정도 연산 시간이 소요된다고 보면, 10^5의 수는 n^2으로 돌면, 시간초과가 날 것이다. 이럴 때 루트로 줄이면 확실하게 풀이가 가능. 포인트가 여러가지가 있는데, 1. 주어진 수의 범위가 Easy에서 10^6, Hard에서 10^9인 점 1. 10^6이면 b를 2\~1000 까지 고정해서 루프를 돌아도 된다. 2. 10^9이면 중간수 A_j에 따라 범위를 유동적으로 나눠서 푼다. (아래 풀이 참고) 1. 10^6까지의 숫자는 10^3만큼의 루프를 돌면 그 divisor들을 모두 구할 수 있는 포인트를 기억. 2. 위가 성립하는 이유는 10 = 2 \* 5에서 2를 찾으면 반대편 5가 자동으로 튀어나오기 때문 2. N의 수가 10^5라서 일반적인 O(N^2) 알고리즘은 적용이 어려운 점 3. 중복되는 수의 처리가 필요한 점 4. `map`이 `unordered_map` 보다 오히려 빠른 점 (!!) 1. 대체 어느 지점부터 map이 더 빠른 것인지? ### Easy Solution ```cpp int N; ll A[200010]; ll B[200010]; void solve() { scanf("%d", &N); FOR(i,0,N) { scanf("%lld", &A[i]); } sort(A, A+N); ll prev = -1; int P = 0; unordered_map cnt; for(int i = 0; i < N; ++i) { if (prev != A[i]) { cnt[A[i]] = 1; B[P++] = A[i]; } else { cnt[A[i]]++; } prev = A[i]; } ll ans = 0; for(int i = 0; i < P; ++i) { ll s = B[i]; ll cs = cnt[s]; for(int b = 2; b <= 1000; ++b) { if (s * b * b > 1000000000) break; if (cnt.find(s * b) != cnt.end() && cnt.find(s * b * b) != cnt.end()) { ans += cs * cnt[s * b] * cnt[s * b * b]; _D("%d %d %d\n", s, s * b, s * b * b); } } // b == 1인 케이스 if (cs >= 3) { // 하나는 뽑혔고, 나머지 두개를 뽑는 case ans += cs * (cs - 1) * (cs - 2); } } printf("%lld\n", ans); } ``` ### Hard Solution ```cpp int N; ll A[200010]; ll B[200010]; void solve() { scanf("%d", &N); FOR(i,0,N) { scanf("%lld", &A[i]); } sort(A, A+N); ll prev = -1; int P = 0; map cnt; for(int i = 0; i < N; ++i) { if (prev != A[i]) { cnt[A[i]] = 1; B[P++] = A[i]; } else { cnt[A[i]]++; } prev = A[i]; } ll ans = 0; for(int j = 0; j < P; ++j) { ll s = B[j]; ll cs = cnt[s]; if (s <= 1'000'000) { for(ll b = 2; b * b <= s; ++b) { if (s % b != 0) continue; ll i = s / b; ll k = s * b; _D("Checking %d, %d, %d...\n", i, s, k); if (cnt.find(i) != cnt.end() && cnt.find(k) != cnt.end()) { ans += cnt[i] * cnt[k] * cs; } if (b * b != s) { ll b = i; i = s / b; k = s * b; _D("Checking %d, %d, %d...\n", i, s, k); if (cnt.find(i) != cnt.end() && cnt.find(k) != cnt.end()) { ans += cnt[i] * cnt[k] * cs; } } } if (s != 1) { ll i = 1; ll k = s * s; _D("Checking %d, %d, %d...\n", i, s, k); if (cnt.find(i) != cnt.end() && cnt.find(k) != cnt.end()) { ans += cnt[i] * cnt[k] * cs; } } } else { for(ll b = 2; b <= 1000; ++b) { if (s * b > 1'000'000'000) break; if (s % b != 0) continue; ll i = s / b; ll k = s * b; if (cnt.find(i) != cnt.end() && cnt.find(k) != cnt.end()) { ans += cnt[i] * cnt[k] * cs; } } } if (cs >= 3) { ans += cs * (cs - 1) * (cs - 2); } } printf("%lld\n", ans); } ``` --- --- id: "imported/blog/viewings/miscellaneous/miscellaneous" title: "잡 생각" description: "흐려져가는 기억을 붙잡기 위한 페이지. 12 Math님도 같은 이유로 유튜브를 한다고 함." kind: "record" published: "2023-04-27T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/viewings/miscellaneous/miscellaneous/" markdownUrl: "https://www.readiz.com/blog/viewings/miscellaneous/miscellaneous/index.md" recordFolder: "읽을거리/여러 생각" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%97%AC%EB%9F%AC+%EC%83%9D%EA%B0%81" --- # 잡 생각 ## Readiz HomePage 개설 목적 정리 흐려져가는 기억을 붙잡기 위한 페이지. 12 Math님도 같은 이유로 유튜브를 한다고 함. 더 늦기 전에(?) 유용한 팁들이나 정보들을 정리한다. 지식은 많고 방대하고 계속 변화하기 때문에 과연 정리할 수 있을까 걱정이 되긴 하는데.. 아무것도 안하는 것보다는 뭐라도 하나씩 끄적이다보면 되겠지.. 하는 생각. ## 인용할만한 책 문구 - 서양 철학의 시발점이 "세계는 무엇으로 되어 있는가" 라는 질문이라면 동양 철학은 "나는 누구인가" 정도 되지 않을까 생각한다. 요지는 끝없는 질문과 성찰이다. - 어떤 개발자가 살아 남는가 p.26 (이경종 저) ## 동기부여 매커니즘 - from - 두려움을 추진력으로 이용해 나아가는 것이 이상적임 - 두려움은 사람을 약하게 만들기도 하지만.. - 먹이와 동시에 근처에 고양이가 있는 굶주린 쥐의 입장을 이해해보면 됨. - 성취하는 과정의 두려움보다 성취 못하는 것에 대한 두려움이 더 커야 함 - 삶의 결정은 대부분 최선을 고르는 게 아니라 차악을 고르는 것. - 두 개의 나쁜 선택지 중에 고통을 감내할 만한 선택지를 고르는 것과 동치 - 이걸 인정하면 삶이 더 편해짐.. - 그렇지 않으면 더 좋은 방법이 더 있을거야 하고 자기를 학대하거나 아무것도 못하게 됨. - 피할 수 없어서 고통을 받는 것과, 선택하여 고통을 받는 것 (선택에 대한 대가)은 신경 생리학적 반응이 완전 다르다. - 도전 vs 위협 - 도전하는 정신 상태 (Mind frame)이 훨씬 좋다. - 스트레스 반응이 줄어들기 때문 - 도파민으로 활성화되는 탐구 / 호기심 체계가 작동함 - 자발적으로 맞닥뜨리는 것이 어쩔 수 없이 기다리다가 죽는 것보다 낫다. - 아무리 작은 문제라도 무시하면 안된다. - 맞닥뜨리면 상황만 좋지 않아질 뿐. - 정말 간절한 것이 있으면, 왜 간절한지 대략 다섯 가지의 이유가 필요하다. - 우리를 반대하는 사람(내 자신의 다른 자아일 수도)이 왜 반대하는지에 대한 다섯 가지의 이유가 있을 가능성은 매우 낮기 때문. - 그냥 하고 싶다 라는 정도는 매우 낮다. - 다른 중요한 목표들과의 관련성까지 있다면 매우 반박하기 어려워 진다. - 무언가 어려운 일을 하려고 할 때(에너지가 많이 드는, 힘든), 우리의 정신은 많은 하위 체계들을 통해 반대를 할 것임 - ex) 설기지를 해\~ 이게 중요한게 아니야\~ 유투브를 봐\~ - 우리의 뇌는 정말 교활하게도, 덜 힘든 일을 시키고 원래 해야할 일을 안하는 것에 자기합리화를 할 수 있게 도와준다. - 아예 쓸데없는 일을 하는 것은 아니기 때문에 넘어가기 마련.. - 여기에 넘어가면 뇌가 승리하는 것이고 이기게 되고, 도파민이 분비되고, 이러한 경향성이 커진다.. - 우리가 눈감아 주는 내적 논쟁들은 더욱 자라나고, 맞서 싸우는 것들은 작아짐.. - 신경회로 작용은 그것을 실제 수행할 때마다 강화되는 쪽으로 작용하게 된다. - 자기가 되고 싶지 않은 것을 실천하자 말라. --- --- id: "imported/blog/viewings/tasks/study" title: "공부 계획" description: "공부 계획 관련 기록." kind: "record" published: "2023-04-24T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/viewings/tasks/study/" markdownUrl: "https://www.readiz.com/blog/viewings/tasks/study/index.md" recordFolder: "읽을거리/작업 기록" folderUrl: "https://www.readiz.com/records/?folder=%EC%9D%BD%EC%9D%84%EA%B1%B0%EB%A6%AC%2F%EC%9E%91%EC%97%85+%EA%B8%B0%EB%A1%9D" --- # 공부 계획 ### Algorithm 관련 - Low level - [x] Bitcnt - [x] Memory - 정수론 관련 알고리즘 - [x] Linear sieve - [ ] 폴라드로 - [ ] 밀러라빈 - 7월까지 공부한 알고리즘 - [x] LCA (비트연산, 2^k = 2^(k-1) + 2^(k-1)...) - [x] 2D Array에서 스택을 사용한 최대 넓이 구하기 - [x] BOJ 실버 수준 DP 계속 연습하기 - [x] 유량 관련 Graph 이론 반복 학습 - [x] Convex-hull: 알고 보니 부정확한 double 쓰는 알고리즘이 아니었네..? - 8월부터 공부할 알고리즘 - [ ] 라빈카프 해시 알고리즘 응용 (KMP 대체해서도 풀어보기) - [ ] 골드수준 DP 반복해서 풀어보기 (상태 전이에 집중해서) - [ ] FFT 개념 및 적용 ### FE 개발 관련 - React - [ ] Component props children - [ ] Context - Python - JS ### 기타 - 영어 - [ ] 공부 Plan - 일본어 - [ ] 상용 단어 1000 --- --- id: "imported/blog/study/til/how_to_pronounce" title: "How to Pronounce" description: "https://www.youtube.com/watch?v=cv8IViqldTc 강의 내용 정리" kind: "record" published: "2021-03-31T00:00:00.000Z" tags: [] url: "https://www.readiz.com/blog/study/til/how_to_pronounce/" markdownUrl: "https://www.readiz.com/blog/study/til/how_to_pronounce/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # How to Pronounce # How to Pronounce Appropriately 강의 내용 정리 ## 핵심 요약 - 3요소: 호흡, 발성, 발음 ### 호흡 - 복식호흡이 기본, 코로 숨을 들여마시고, 배로 끌어당기는 느낌. - 호흡은 좋은 목소리를 위해 기본 요소 ### 발성 - 소리를 내는 것. - 소리를 내는 통로를 잘 열어 주어라. - 혀뿌리를 눌러 연구개를 올려준다 (공간 확보) - 목소리가 나오는 성대를 염. 하품하는 것을 생각해보자. - 목소리가 걸리는 곳이 없이 바로 나올 수 있게. 성량이 좋아짐. ### 발음 - 입술과 혀를 충분히 풀어주고 사용할 것. ## 훈련 방법 - 최고의 연습은 많이 읽는 것. - 신문 읽는 것을 추천. 다양한 주제 / 다양한 단어. 읽기 연습에 도움. - 소리 내서 읽어라. - 입술과 혀를 풀어줘서 유연하게 만든다. - 똑딱똑딱, 아르르르르, 푸르르르르 - 턱, 목, 어깨 스트레칭도 도움. --- --- id: "imported/blog/study/til/web_bootcamp" title: "Web Developer Bootcamp" description: "Web Developer Bootcamp 관련 기록." kind: "record" published: "2021-03-13T00:00:00.000Z" tags: ["web","css"] url: "https://www.readiz.com/blog/study/til/web_bootcamp/" markdownUrl: "https://www.readiz.com/blog/study/til/web_bootcamp/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # Web Developer Bootcamp # 웹 개발자 Bootcamp 정리 (with VS Code) - 으로 드가면 들을 수 있음. - - 고수들도 HTML Boilerplate 쓴다.. 나한테 맞는거 하나 만들어 두는게 좋을 것 같다. - CSS: 형용사(Adjectives) / JS: 동사(Verbs) / HTML: 명사(Nouns) - MDN: 개발자들이 만든 비공식 스펙 사이트. - lorem\*10 하고 탭 누르면 더미 문장을 넣을 수 있다. - ! 치고 탭 누르면 VS Code에서 제공하는 기본 boilerplate를 제공해준다. - Ctrl + Shift + P 누르고 Formatter 누르면 자동 포멧팅 도구 사용 가능. (설정 바꿔서 저장할 때 적용되게 할 수도 있음) - ol / ul (Ordered List / Unordered List) - Alt + Shift + Down -> 그 줄 복사해서 아래로 내림 - Alt + Down -> 그 줄을 내림 - HTML Entity: < 같은 것을 이야기 함. - Emmet : div > ul > li 같이 써놓고 emmet 쓰면 자동으로 그 구조를 만들어 준다. - CSS: Cascading Style Sheets - MDN도 잘 되어 있다. - Cascading은 ID / class / specifity 등의 순서대로 속성이 중첩되어 적용된다는 의미 - ID (백의 자리), class(십의 자리), 특정성(일의 자리)의 순서로 강력한 컨셉이라고 생각하면 됨. - ID로 선택한 경우 이 항목에 color와 같은 것을 먹이면 :active 와 같은 pseudo class 역시 무시되어 버린다. (더 강한 속성이기 때문) - 따라서 이 경우 #ID의 #ID:active 까지 설정 해야 정상적으로 속성을 적용할 수 있다. - Selector `{ property: value; }` - Inherit 기능이 내제되어 있지만, 모든 속성이 Inherit인 것은 아니다. - 강제로 Inherit 적용하고 싶으면 color: inherit 등으로 적용해서 사용 - pseudo - pseudo class - :active, :checked, :first, :first-child, :hover, :not(), :nth-child(), :nth-of-type() - 실제 class는 아닌데 마치 존재하는 class인 것처럼 행동함 - pseudo element - ::after, ::before, ::first-letter, ::first-line, ::selection - 콜론(:)이 하나여도 크롬에서 인식이 되긴 하지만 원래는 두개짜리임. 두개짜리는 실제 값이 있는 것처럼 행동하므로 element임 - padding - Box Model - Box-Sizing: Border-Box - 테두리를 포함하는 Box Model. - Margin - Padding - top, right, bottom, left 의 순서임. - top, right + left, down 순서도 가능 - top + bottom, right + left 순서도 가능 - Display Property - Inline - 한 줄에 정렬 - 이 경우 width 같은 것들은 무시 됨. - Padding / Margin 도 자신의 줄 안에서만 적용 됨. - Block - 다른 줄에 정렬 - Inline-Block - 이 경우 블록의 특성을 가지면서 한 줄에 차례로 들어온다. (그러나 Flex가 있어서 굳이 이젠 써야하나...? 개인적 생각.) - CSS Units - Relative - EM, REM, VH, VW, %, ... - Absolute - PX, PT, CM, IN, MM - EM - 1em은 부모의 Font-Size와 동일함 - 기본 폰트 사이즈는 1em이 될 것 (미설정 시 부모 값을 상속) - h1, h2 시리즈를 이 속성으로 묶어두면 좋을 것. - REM - 중첩된 ul / li를 쓰게 되면 급격한 Font 사이즈 증가 / 감소를 겪게 됨 - REM은 root HTML element의 Font size를 가져와서 크기를 정해줌. - Position - Static: top 같은게 있어도 움직이지 않음 - Relative: top 같은게 있으면 상대적으로 움직임 - Absolute: 공간을 차지하지 않으면서 Relative가 있는 부모 위치를 상대 좌표로 하여 이동 (어렵..) - Fixed: 스크롤 되어도 이동하지 않음. Container 위치에 고정. - Sticky: 처음엔 다른 속성처럼 이동하다가 스크롤 내려가면 고정. - Transition --- --- id: "imported/blog/study/til/electron" title: "Electron 강좌" description: "Electron 강좌 관련 기록." kind: "record" published: "2021-01-27T00:00:00.000Z" tags: ["electron"] url: "https://www.readiz.com/blog/study/til/electron/" markdownUrl: "https://www.readiz.com/blog/study/til/electron/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # Electron 강좌 ## Basic of Electron (Udemy 강의) - 으로 드가면 들을 수 있음. - ## Basic of Electron - 플랫폼. 데스크톱 앱을 만들기 위함. - 웹 앱은 최근들어 굉장하게 복잡해졌다. Electron은 이러한 특성을 데스크톱 앱에서 사용하기 위해 등장한 플랫폼이라고 보면 됨. - 기본적으로 생각해야할 부분은 웹 브라우저는 유저의 하드디스크에 접근이 불가능하다는 것. 이러한 제약을 풀어주는 것이 Electron 이라는 플랫폼이라고 생각하면 된다. - 사용자의 컴퓨터 리소스에 접근 가능하게 된다는 점이 핵심!! - Electron === Google Chrome (Mostly..) - Task Manager를 보면 Google Chrome Helper라는 놈이 여러개가 같이 존재함. 이것을 이해하면 Electron을 이해하는 데에 도움이 된다. - 왜 다른 프로세스가 같이 도는가? - 같이 죽지 않게 하기 위해. 랜더링 이슈를 막기 위해. Isolate 시키기 위해. - RendererProcess가 핵심임. 이 프로세스가 웹페이지를 그린다. - IPC(Inter Process Communication)을 통해 MainWindow, RendererProcess들이 통신한다. - 웹브라우저와 다른 점은, 웹브라우저의 주소표시줄과 같은 완전 브라우저 자체의 내용까지도 접근이 가능하다는 점. - Electron의 역사(?) - GitHub -> Electron -> Atom (지금은 VS Code가 먹었지만..) - GitHub는 처음에 Atom을 위해 Electron을 만들었고(Atom은 JS 유저가 많아 JS로 만들었다 함), 이것이 쓸만하다고 판단해서 Open Source로 만들었음 - 이것을 Slack, Discord, VS Code 등에서 사용하기 시작했다. ## Handling Electron Project - Electron (Run at terminal, Overall Chrome Process로 생각) -> Create MainWindow(BrowserWindow) -> index.html을 로딩. - BrowserWindow를 생성하는 로직 또한 js로 작성한다는 점! (타 언어 사용 0%) - nodemon을 사용하면 지속적인 F5 키를 눌러야 하는 것을 방지할 수 있음. -> 자동 시작을 해주는 서버 side에서는 이미 자주 쓰이고 있는 녀석임 - 아래 명령어는, src/js/index.js 디렉토리에서 코드변화가 감지하면 재시작을 하도록 설정. ```js "start": "npm-run-all --parallel watch:webpack watch:nodemon", "watch:webpack": "webpack --config=webpack.config.js --mode=development --watch", "watch:nodemon": "nodemon --exec \"electron .\" --watch \"./src/js/setup.js\"" ``` - Step by Step Guide - npm init - package.json 생성 - npm install --save electron - 2 파일 생성 필요. init을 위한 js 과 보여줄 index.html - init을 위한 js는 터미널에서 실행된다. node를 통해.. 여기서는 require만 사용 가능 - const electron = require('electron'); - import는 node에서 기본적으로 지원되진 않음. - `app` 은 overall process 를 의미함. ```js const { app } = require('electron'); ``` - app은 `event`를 방출하며, 이것은 app.on 으로 청취 가능함 - Event Driven Programming - `app` 만 실행해서는 사실 아무것도 진행되지 않음! - 이후 BrowserWindow를 만들어야 함, 그래야 사용자에게 브라우저가 보이게 된다. - `app` 은 처음 로딩이 끝나면 `ready` 이벤트를 가져온다. 그 후 mainWindow를 생성하는 것이 일반적인 Electron App의 패턴. - `app` 에 전체 Main Process의 Life Cycle이 엮여 있다고 보면 됨. - BrowserWindow - `new BrowserWindow()` 만 해도 바로 뭔가 나온다. - 개발자 도구도 바로 튀어나오게 됨 원한다면. - 그러나 주소 표시줄 같은 것은 기본적으로 없다. - 위에서 본 app과는 다른 녀석임. 완전히 다른 Process 라고 생각하면 됨 - 처음 만들기만 하면 html document가 load되지 않았으므로 빈 화면만 나오게 된다. - 불러오기 위해서는 `new BrowserWindow().loadURL('https://google.com')` 와 같이 하면 됨 - 물론 local file도 불러오기 가능하며 대부분의 ELectron App은 로컬 앱을 만드는 것이기 때문에 로컬 파일을 불러올 것임. - 특수한 Node.js 함수를 실행하기 전에는 일반 웹 개발 하는 것과 동일하게 개발이 진행되게 된다. HTML / JS / CSS를 얼마나 잘 다루느냐에 따라 앱 개발 속도가 달라지게 된다. - 차이점은 Local HDD를 접근가능하느냐 마느냐 정도로 생각해도 됨 - ffmpeg 같이 node.js를 통해 interact 하기 쉬운 cli process와 소통하기도 좋다. - BrowserWindow 부분을 Web App Side라고 할 수 있는데, 이 부분은 `Keep as generic as posslbie` 한게 좋다. 그래야 나중에 재사용성에 유리함. - App <-> BrowserWindow 소통 방법? - IPC 시스템을 사용함 - IPC: Inter Process Communication - `const { ipcMain } = require('electron')` - Main 에서 쓰이는 IPC object. - `const { ipcRenderer } = require('electron')` - 랜더러 프로세스에서 사용하는 IPC - `ipcRenderer.send('eventName', 'Data')` - 형태만 딱 봐도 사용하기 쉽지\~ - 이건 랜더러 프로세스에서 메인으로 메시지 보내기 위해서 쓰는 것 - 메인에서 받기 위해서는 `ipcMain.on` 을 사용 - `mainWindow.webContents.send` - 랜더러 프로세스로 보낼 때 쓰는 것. BrowserWindow 객체를 참조하여 보내게 됨 - 받을 때는 `ipcRenderer.on` 을 사용 - 예제에서는 ffmpeg 관련된 동작은 BrowserWindow Process 에서 처리하지 않고, App Process에서 처리하는 식으로 구현했음. 이게 좀 더 바람직해 보이기도 함. ## Status Tray Application - `Tray` 와 `BrowserWindow` 는 당연하게도 다르다. - `Tray Icon`을 만드는 방법? - `new Tray(iconPath)` - `tray.on('click', () => { mainWindow.show(); });` 자주 쓰이는 패턴 - `Tray` 근처에 창을 생성하는 방법? (특히 OS, 사용자마다 위치가 다를 것..) - `click` 이벤트가 올 때, `bounds` 객체가 전달된다. 이 객체에 x, y 좌표가 제공됨. 이것을 참고하여 window 의 위치를 조절하면 된다. - `mainWindow`에 `setBounds`를 설정하면 지정한 영역에 윈도우를 잘 생성할 수 있다. ## ETC (다른 강의 내용 포함) - app 의 webContent에 `new-window` 이벤트에 `preventDefault`를 걸어두면 링크에서 새 창이 뜨는 것을 막을 수 있음. - session은 모든 browserWindow와 공유 됨. `mainWindow.webContents.session` - `const {session} = require('electron')` 도 같은 값 참조. - `session.defaultSession` - custom session도 만들 수 있긴 하다. - `cookie` 도 `session`의 하위 object 임. - download 도 control 가능하다. (창 안뜨고 자동 다운 가능) - `globalShortcut` : 화면이 떠 있지 않더라도 전체적으로 등록되는 Shortcut - 심지어 앱이 켜져있지 않더라도 실행됨! 그러나 충돌나는 것은 알아서 회피해야 할 것.. - `const {screen} = require('electron')`을 통해서 스크린에 관련된 모든 데이터를 가져올 수 있음 - getAllDisplay(): 전체 연결된 display에 대한 정보들을 가져올 수 있다. - touchSupport 등등 포함.. - Main Process가 BrowserWindow를 소유하며, Browser Window는 Renderer Process 그 자체다. - Main Process는 여러개의 BrowserWindow를 소유한다. - BrowserWindow는 webFrame > webContents 를 소유한다. - ex) Zoom Factor - `electron.desktopCapturer`: 데스크탑의 화면을 저장 가능함 - `process.version`: 각 버전을 가지고 있음.. - ex) chrome, napi, electron, v8, opensssl 등등.. - `process.hang()`: Renderer를 Hang을 걸 수 있음. - `process.crash()`: crash 될 때를 시뮬레이팅 할 수 있음. - 이 때 reload 걸면 복구될 수 있음. 복구 되는게 낫나?.. - 몇몇 electron API들은 Shared API로, renderer와 main 모두에게서 쓰일 수 있음. (ex: `shell` 등..) - electron.remote 안써도 된다는 뜻 ## Distribution - Electron-Builder 가 진리. - cli 옵션도 지원한다. 어떤 platform으로 distribute 할지는 이걸로 결정 - 결과물은 dist 디렉토리에 제공됨. - 제대로 하려면 code-signing도 해야 함. (아마 mac은 더 강제되는듯?) - Electron-Builder에 이미 AutoUpdater가 있다. - GitHub 를 통해 배포하려면, Personal access token을 발급받아야 한다. - 이를 등록하면, 빌드 후 자동으로 GitHub release에 올려버릴 수 있음. (이미 만들어진 tag를 참조해서 올리는 듯?) - (참고) setx 커맨드를 윈도우에서 사용하면 환경변수를 잠시 설정할 수 있다. - 자동 업데이트는 electron-updater와 함께\~ --- --- id: "imported/blog/study/til/this_is_linux" title: "가장 쉬운 리눅스" description: "가장 쉬운 리눅스 관련 기록." kind: "record" published: "2021-01-25T00:00:00.000Z" tags: ["linux"] url: "https://www.readiz.com/blog/study/til/this_is_linux/" markdownUrl: "https://www.readiz.com/blog/study/til/this_is_linux/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 가장 쉬운 리눅스 # This is linux / 가장 쉬운 리눅스 시스템 관리 책 내용 정리 - Written By 우재남 / 웨일 소잉카 ## 리눅스 배포판의 기술적 요약 - 리눅스는 처음에는 해커들의 장난감 취급이었지만 지금은 안정성, 성능, 확장성 모두 뛰어남 - 소프트웨어 모음으로서의 리눅스는 일반적으로 배포판이라고 함. 배포판은 리눅스를 유용하게 만들어줌. - 리눅스 자체는 커널이라고 볼 수 있음. 커널은 운영되는 서비스의 최고 사령관 개념으로 동작하는 프로그램 - 메모리의 요구사항을 관리하고, 디스크에 접근 혹은 네트워크 연결을 관리. - 커널 작업 목록도 다뤄야 할 것이 한가득이며 책도 여러개 나왔음 - 커널은 사소한 프로그램이 아님. 수많은 리눅스 배포판 모두에 리눅스 이름을 붙일 수 있게 해주는 것 - 모든 배포판들이 근본적으로 동일한 커널을 사용. 리눅스 배포판들의 기본적인 수행방식은 동일 - 배포판의 예시 - 레드햇 엔터프라이즈 리눅스(RHEL) - 페도라(Fedora) - 데비안(Debian) - 맨드레이크(Mandrake) - 우분투(Ubuntu) - CentOS - ... - 순수 상업용 배포판 / 비상업용 배포판(spin) 으로 나누어짐. - GNU: GNU is Not Unix. 깔깔깔. GNU 프로젝트 - 유닉스 계열 시스템(당시 핫했음, AT\&T가 이 코드로 돈 좀 만짐)을 대중에 공유하고 라이선스 제약을 풀자는 주장 하에 생긴 것. - GPL 라이선스 라는 것을 사용함 - 소프트웨어가 완벽하게 공개이며 그 누구도 이러한 자유를 없앨 수 없음. ## 기본 개념과 명령어 ### 명령어 정리 - pwd: print working directory - whoami: 로그인 계정 출력 - ln <파일명> <파일명> : 하드 링크 만들기 (linux 내부적으로 갖는 완전히 동일한 파일 링크를 만듬 -- 완전히 같은 파일인 것처럼 행동함) - ln -s <파일명> <파일명> : 심볼릭 링크 만들기 (눈에 띄는 링크를 만듬) - mount -o remount,rw / - 읽기 전용 파티션으로 마운트된 (mount 명령어로 확인) 폴더를 읽기/쓰기 모드로 붙일 수 있음. - yes > /dev/null - 무한 루프를 도는 단순한 프로세스 만들기 - ls -l /etc | more - 한 페이지 넘어가는 것 편하게 보기 - ps -ef | grep bash - 프로세스 특정한 것만 보기 - Redirection 명령어들 - ls -l > list.txt (overwrite) - ls -l >> list.txt (append) - sort < list.txt (list 내용을 정렬하여 출력) - sort < list.txt > out.txt (list 내용을 정렬해서 out에 쓰기) - kill -9 PS_NUM - 무조건 종료한다는 의미가 -9. - foreground process를 background process로 전환 - yes > /dev/null - Ctrl + Z (일시 중지 명령어) - bg - 이러면 백그라운드로 이동하여 계속 실행 됨. - background process를 foreground process로 전환 - jobs (백그라운드 가동 프로세스 확인) - fg \[작업번호] (포그라운드로 전환) - 세미콜론(;): 명령어를 연속으로 실행할 때 사용 - ls -l \[검색할 파일 명]: 하위 폴더까지 재귀적으로 찾아줌.. - ex: ls -l /dev/sd\* - halt -p : 시스템 종료 - which \[커맨드 명] : 실행하려는 커맨드 위치가 어디인지 보여줌 ```bash readiz@Readiz-NotePC:~$ which bash /usr/bin/bash readiz@Readiz-NotePC:~$ which systemd /usr/bin/systemd ``` ### 폴더 구조 - `/home` - 리눅스 사용자들의 개인 공간 - 보통 일반 사용자는 home 밑에 별도의 설정이 없는 경우 자신의 아이디로 된 디렉토리가 배정됨(로그인 시 처음 작업 디렉토리가) - /root는 root 의 홈 디렉토리 - `/bin` & `/bash` - sbin 은 시스템 관리를 위한 명령들 => root에게만 허용됨 - echo \$PATH 로 확인 - `/lib` - 리눅스 상에서 자주 사용되는 라이브러리를 모아놓음 - Shared object file format(.so) - 윈도우에서의 Dynamic Linked Library(DLL)을 모아놓은 폴더로 생각할 수 있음 - `/etc` - 주요 설정 파일들이 위치한다 - 주요 리스트 - motd : 로그인 성공 시 처음에 띄워주는 문구 - passwd : 리눅스 사용자에 대한 정보(예전에는 사용자의 비밀번호(!) 도 있었음) - shadow : 리눅스 사용자 패스워드 정보 ( root만 볼수 있음) - sudoers : sudo 권한을 가진 사용자와 권한에 대한 정보 - fstab : 파일 시스템과 마운트 포인터 - hosts : 도메인 네임 - issue : 리눅스 배포반 및 버젂 - skel/ : 새로운 사용자가 추가될 때 홈 디렉토리에 기본적으로 복사해줄 파일들을 포함한 디렉토리 - init.d/ : 컴퓨터가 부팅될 때 실행될 파일들을 넣어둔 디렉토리 - `/proc` - RAM 위에 존재하며 커널에 의해 제어됨 - 현재 실행되는 프로세스와 실제로 사용되는 장치, 커널이 수집한 하드웨어 정보가 저장됨 - 사용자가 /proc이나 하위 파일에 접근할 때마다 커널에서 파일내용을 동적으로 만들어냄 - 각 프로세스는 고유의 ID를 가지고 있으며(숫자) 이 아이디를 가진 디렉토리 밑에 각종 정보를 저장함 - cmdline : 프로세스를 시작한 명령행 내용 - status : 프로세스의 내부 상태 정보 - cwd : 프로세스의 현재 작업 디렉토리 - /proc/meminfo : 총 메모리 사용 현황 - /proc/stat : 시스템의 상태에 관한 정보 - /proc/uptime : 시스탬이 부팅된 후 흐른 시간 - /proc/version : 현재 실행되는 커널 버전 - `/dev` - 실제로 하드디스크에 존재하지는 않는 정보를 저장함 - 모든 하드웨어( hdd,cdrom, 마우스, 가상 장치,etc…) 를 파일로 인식하며 이를 장치 파일이라 함 - psaux PS/2 마우스 장치 - tty : teletypewritter, 사용자와 시스템 사이를 중계하는 역할 - 사용자와 시스템 사이의 입출력은 모두 여기를 통해 이루어짐 - 서버 시스템에 직접 연결된 장치에서 사용함 - pts: telnet, ssh 등을 이용해 원격으로 접속할 경우 (pseudo TTY slave) - 유사 장치 : 실제 장치와 곾렦이 없음 - null : 이 장치로 들어갂 데이터는 모두 사라짐 - zero : 이 장치에서는 항상 null을 반환 - `/mnt` & `/media` - 마운트: 한 파일 시스템의 루트 디렉토리를 다른 디렉토리에 붙임으로써 디렉토리를 사용할 수 있게 만들어주며, 모든 파일 시스템들을 마치 그들이 속해있는 파일시스템의 서브 디렉토리인 것처럼 사용 가능하게 만드는 것 - 이제는 많은 저장 매체들이 자동으로 마운트 되기 때문에 주로 /media(특히 우분투) 를 사용하는 경우가 많지만 mnt 를 사용하는 것은 자유 - `/tmp` - 실행 중인 프로세스들의 임시 파일들을 저장 - 종료 시 이 위치에 있는 파일들은 모두 삭제됨 - `/boot` - 부팅시에 필요한 필수 파일들이 저장됨 - lilo, grub 등의 부트로더와 커널이 위치함 - 부트로더: 컴퓨터를 켰을 때 가장 먼저 실행되는 프로그램 - `/var` - 리눅스 상에서 자주 변경되는 데이터들만을 모아 놓음 - /var/lib: 일반적인 시스템 운용시 계속 갱신되는 파일들을 위한 공간 - /var/local: /usr/local 아래에 설치된 프로그램들의 다양한 데이터가 보간 - /var/lock : 잠금 파일(lock file)이 있는 곳이다. - /var/log : 다양한 프로그램들의 로그 파일 - /var/log/wtmp : 시스템의 모든 로그인, 로그아웃 정보를 기록 - /var/log/messages: 커널과 시스템 프로그램들의 모든 메시지 - /var/run : 시스템의 현재 정보, 부팅 시 리셋 - /var/run/utmp : 현재 로그인한 사용자들에 대한 정보 - /var/spool : 대기 상태에 있는 작업들을 위한 디렉토리 - /var/tmp : /tmp에 있는 임시 파일들보다는 좀 더 오래 유지될 필요가 있는 임시 파일들, 부팅 시 지워지지 않는다. - `/usr` - 리눅스 상에서 가장 큰 공간을 사용하는 디렉토리 - 어플리케이션 수준의 프로그램들이 여기에 있음 - usr 밑의 bin, lib,… 등은 사용자가 자유롭게 다룰 수 있으 며 루트 디렉토리의 같은 이름을 가진 디렉토리와 같은 역할 을 한다. (대신 우선순위가 떨어진다.) - /usr/bin : 실행 가능한 명령어, 주로 콘솔이나 X에서 사용되는 명령어들 - /usr/sbin : 시스템 곾리를 위한 명령어, 주로 서버 곾리용 - /usr/lib : 프로그램과 하위 시스템을 위한 라이브러리 - /usr/man, /usr/info, /usr/doc :각각 매뉴얼 페이지, GNU Info 문서들, 그리고 기타 다른 문서 - /usr/include : C 를 위한 헤더 파일 - /usr/X11R6 : X window - /usr/src : 시스템에 빌드하는 프로그램의 소스 - /usr/share : 읽기 전용 자료, 주로 매뉴얼이나 문서 자료 - /usr/local : 리눅스에서 필수적인 파일이나 배포판에서 확장되는 파일들을 제외한 응용 프로그램 파일들을 저장 - /bin : 문서에 명시되어 있는 명령어 및 필수적인 명령어 - /usr/bin : 주로 콘솔과 X에서 사용되는 명령어 - /usr/local/bin : 그 외 어플리케이션에 의해 추가되는 명령어 ### 서비스란 - 서비스 = 데몬 은 서버 프로세스를 말함. - 클라이언트에 설치되는 웹 서버 데몬, 네임 서버 데몬 등으로 부르기도 함 - 서비스는 눈에 보이지는 않지만 현재 시스템에서 동작 중인 프로세스임. 백그라운드 프로세스의 일종. - 하지만 위에서 배운 jobs를 쓴다고 해서 나오는 녀석은 아님. - 기존에는 "init" 이라는 최상위 프로세스가 서비스를 직접 관리하는 방식이었지만, 요즘은 systemd가 대세임. - 서비스는 평상시에도 늘 가동되는 서버 프로세스 - 소켓은 필요할 때만 가동되는 서버 프로세스. --> 서비스 / 소켓 모두 systemd가 관리. - 대표적인 놈은 httpd, mysqld, vsftpd -> d는 daemon을 의미하는 것. - 서비스의 실행 스크립트 파일은 /usr/lib/systemd/system/ 디렉터리에 "서비스이름.service"로 확인 가능. - Cron 서비스의 경우 crond.service라는 파일로 존재함 - 서비스의 경우 systemd를 사용한다는 가정 하에 systemctl start/stop/restart를 사용할 수 있다. - systemctl status <서비스 이름>, systemctl enable/disable <서비스 이름> - 소켓은 서비스와 다르게 항상 가동되는 것은 아님. 외부에서 특정 서비스가 요청할 경우 systemd가 실행하는 구조. 요청이 끝나면 소켓도 종료 - 소켓 위치: /usr/lib/systemd/system/\*.socket - dbus, ssh, log 등등 ### 커널과 모듈들 - 하드웨어 > 커널 > 쉘 > 응용 프로그램 - 커널은 메모리 위에서 동작하며, 커널이 커지면 메모리도 많이 먹게 되므로 당장에 사용하지 않는 드라이버 등은 "모듈"로 빼게 되었다. - 커널은 하드웨어와 밀접한 관련이 있으며 최신 커널일 수록 지원하는 하드웨어도 많다. 보안 개선도 있고.. - 커널의 실체 역시 파일이다. - CentOS의 경우 /boot/vmlinuz 아래에 있다. - 커널 버전 알아보려면 uname -r 쓰면 됨. 그냥 uname은 배포판? 을 출력함. - 배포는 - 현재(2021/1/21) 최신은 5.11 ### X Window - 폴더는 GUI / 디렉토리는 TUI에서 사용하는 말 - chown -R root.root /usr/local/firefox/ - Firefox 관련 파일을 모두 root 사용자 소유로 변경 ### 하드디스크 - 하드 자체는 /dev/sda, /dev/sdb, /dev/sdc 순으로 붙게 된다. - 논리적으로는 /dev/sda1, /dev/sda2, ... 요런식으로 분할도 된다. - /dev/sda1 같은 녀석들은 바로 쓸 수는 없고 반드시 마운트 시켜야 한다. - 마운트 과정 - SCSI 0:1 -> /dev/sdb -> /dev/sdb1 -> mkfs.ext4 -> mount -> /mydata -> /etc/fstab에 등록. - 명령어 실행 순서 - fdisk /dev/sdb => SCSI 0:1 하드디스크 스택 - 파티션 생성 (1개의 파티션만 쓸 지라도) - 파티션이 생성되면 /dev/sdb1 이 된다. - mkfs -t \[파일시스템] \[파티션장치] => 파일 시스템을 지정 - mount /dev/sdb1 /mydata => 마운트 명령 - 이렇게 만든 mount는 재시작 시 유지되지는 않으므로 추가 설정을 할 필요가 있다. - vi /etc/fstab에 아래를 추가 - /dev/sdb1 /mydata ext4 defaults 0 0 - /etc/fstab는 리눅스가 부팅될 때마다 읽는 매우 중요한 파일. 글자가 틀릴경우 아예 부팅되지 않을 수 있으므로 주의 필요. - 보통 /dev/sda1은 SWAP에 mount 되고, /dev/sda2는 '/' 에 마운트 됨 - df 명령어를 사용하면 마운트 현황을 알 수 있음 ```text Filesystem 1K-blocks Used Available Use% Mounted on /dev/sdb 263174212 5290692 244445364 3% / tools 249105148 164725580 84379568 67% /init none 6509908 0 6509908 0% /dev tmpfs 6512308 0 6512308 0% /sys/fs/cgroup none 6512308 16 6512292 1% /run C:\ 249105148 164725580 84379568 67% /mnt/c ``` - WSL의 경우 파일시스템 자체가 C:\ 등으로 나오기도 함. - 서버에서는 RAID를 많이 사용함 - RAID: Redundant Array of Inexpersive/Independent Disks - 하드웨어 RAID도 존재는 한다. - Linear RAID / RAID 0 : 최소 2게 이상의 HDD 필요. 하지만 저장 방식이 차이가 있다. - Linear 방식은 첫번째 HDD 부터 사용, RAID 0는 N개의 HDD를 동시에 사용. - 동시에 사용하는 방식을 Stripping 이라고 하며 성능 향상에 도움이 된다. - 그러나 당연한 이야기이지만 데이터 복구는 불가능함. - Linear RAID는 그나마 차례로 쓰기 때문에 (성능은 낮지만) 하드 손상 시 다른 데이터들은 멀쩡하지만, RAID 0의 경우 파일 부분부분 모두 손상되기 때문에 사실상 복구의 가능성은 없다고 봐야 한다. 하드가 100개라면 손상 확률은 100배가 된다는 뜻. - Linear RAID를 제와하고 다른 RAID 들은 동일한 용량의 HDD를 사용하기 마련임. - RAID 1: 미러링, 2배의 용량 사용 - RAID 0과 1은 장단점이 명백.. - RAID 5: 3개 이상의 HDD가 있어야 사용 가능, 대부분 5개 이상으로 구성함. - 오류가 있을 시 Parity를 사용하여 복구 가능 - 5개 HDD에서 짝수 Parity를 사용한다고 가정 하면, HDD 1개가 망가져도 100% 복구 가능 - 4개의 HDD는 데이터 저장용, 나머지 1개는 Parity 용. - 0010 데이터의 경우 1을 저장, 어느 1 bit가 없더라도 나머지 1개의 bit를 알 수 있다. - 저장 효율 80% (5개의 HDD가 있을 시), 이는 RAID 1의 50%를 훨씬 상회하는 수치임. - RAID 6: 2개의 Parity를 사용 - 최소 4개 이상의 HDD에서 사용. - Parity 알고리즘이 RAID 5보다 약간 더 복잡해져서 성능이 약간 더 떨어지게 된다. - RAID 1+0 / RAID 1+6 처럼 Stripping 도 가능. - RAID 1+0: 속도 & 신뢰도 - RAID 1+6: 성능과 비용은 많이 들지만 신뢰도가 훨씬 높다. - RAID 구성에는 mdadm 명령어를 사용. (RAID 장치를 생성/관리하는 명령어.. 물론 SW RAID 이다.) - mount: RAID 없이 붙임, mdadm: RAID를 사용하여 새 장치를 만듬.. (/dev/md\*) - LVM: 논리 하드디스크 관리자(Logical Volume Manager) - 물리 볼륨(/dev/sda1, ...) - 볼륨 그룹: 물리 볼륨을 합침 - 논리 볼륨: 논리적으로 다른 불륨을 나눠서 합칠 수도 있고 그런 개념 (/dev/sda1의 절반 + /dev/sdb1의 절반 등) ### Linux Shell \*\* - Shell이란 - 사용자가 입력한 명령을 해석해 커널로 전달하거나, 커널의 처리 결과를 사용자에게 전달하는 역할을 함. - bash Shell - bash: Bourne Again SHell. CentOS 등 다양한 Linux 배포판에서 기본적인 Shell로서 기능한다. 의미는 Bourne Shell을 기반으로 Korn Shell과 C Shell의 좋은 점을 합한 것. - Alias 기능 (단축어 기능) - History 기능 (위, 아래 방향키) - 연산 기능 - Job Control 기능 - 자동 이름 완성 기능 (Tab) - 프롬포트 제어 기능 - 명령어 편집 기능 - 환경 변수 - 설정된 환경 변수는 `echo [$환경변수이름]` 하면 볼 수 있음. - 주요 환경 변수는 아래와 같음 - HOME: 사용자의 홈 디렉토리 - PATH: 실행 파일을 찾는 디렉토리 경로 - LANG: 기본 언어 - PWD: 사용자의 현재 작업 디렉토리 - TERM: 로그인 터미널 타입 - DISPLAY: X 디스플레이 이름 - USER: 현재 사용자의 이름 - LINES: 현재 터미널 라인 수 - COLUMNS: 현재 터미널의 컬럼 수 - PS1/PS2: 1차, 2차 명령 프롬포트. 2차는 대개 ">" 이다. - BASH: Bash 쉘 경로 - HOSTNAME / USERNAME - OSTYPE: OS 타입 (ex: linux-gnu) - 값을 변경하려면 `export [환경변수]=[값]`을 실행하면 됨. - `printenv`를 실행하면 주요 환경변수 값들이 출력 됨. - 리눅스의 Shell Script는 C 언어와 유사한 방법으로 프로그래밍 가능. 왜냐하면 리눅스의 대부분은 C 언어로 작성되었기 때문. - 변수, 반복문, 제어문 등이 사용되며 컴파일 필요 없이 텍스트 파일 형태로 바로 Shell에서 실행 가능 - 이미 리눅스의 많은 부분이 Shell Script로 작성되어 있다. - 확장자가 \*.sh 일 필요는 없지만 구분을 위해 주로 해당 확장자로 많이 만드는 편임. - 간단한 예제 ```sh #!/bin/sh echo "사용자 이름: " $USER echo "홈 디렉터리: " $HOME exit 0 ``` - `exit 0`에서 `0`은 성공을 의미함 - 스크립트 실행 - `sh [스크립트 파일명]`으로 간단하게 실행 가능 - `chmod +x [스크립트 파일명]`으로 속성 변경 후 `./[스크립트 파일명]`으로 실행 가능 - `./`을 앞에 붙이는 이유는, `$PATH`에 현재 디렉터리가 등록되어 있지 않기 때문. 실행은 오로지 `$PATH`에 있는 경로만 찾기 때문에, 강제로 위치를 붙여주는 것. - root 사용자로 작성했을 경우에는 기본적으로 root 사용자만 사용 가능함. 타 사용자도 사용가능하게 하려면 `/usr/local/bin`으로 스크립트를 복사하고 권한을 755 정도로 주면 된다. - 스크립트 작성 - 변수 - 변수의 경우 C 처럼 미리 선언할 필요는 없고, JS 처럼 그냥 처음 사용하여 할당하면 생성된다. - 모든 값은 String 취급이다. 숫자를 넣어도 문자로 생각함. - 대소문자를 구분함 - 대입시 `=` 좌우에 공백이 없어야 한다. - 값에 공백이 있을 경우 `"`로 묶어야 한다. - 값을 불러올 때는 `$`를 앞에 붙인다. - `$` 문자가 들어간 글자를 출력하려면 `\`로 escape 시키거나 작은따옴표(`'`)를 사용하여 묶어준다. (안그러면 변수 취급이므로) - 일반적으로 입력된 값에 공백이 들어올 수 있으므로, `"$myvar"`와 같이 큰따옴표로 묶는 방식이 선호된다. - 아래는 위 내용을 종합한 예시 코드 ```sh #!/bin/sh myvar="Hello World!" echo $myvar echo "$myvar" echo '$myvar' echo \$myvar echo 값 입력 : read myvar echo '$myvar' = $myvar exit 0 ``` - 숫자 계산 - 변수는 기본적으로 문자열 취급이지만, `expr` 키워드를 사용해서 연산이 가능하다. - 수식과 함께 역따옴표(\`)로 묶어줘야 한다. - 수식에 괄호를 사용하기 위해서는 역슬래시(\\)를 붙여줘야 한다. - 괄호 앞 뒤에는 공백을 넣자. (오동작 방지) - 기본적으로 expr 사용 시에는 단어마다 띄어쓰기를 사용한다고 생각. - 곱하기 기호(\*)도 예외적으로 앞에 역슬래시를 붙여줘야 한다. ```sh #!/bin/sh num1=100 num2=$num1+200 echo $num2 num3=`expr $num1 + 200` echo $num3 num4=`expr \( $num1 + 200 \) / 10 \* 2` echo $num4 exit 0 ``` - 파라미터 변수 - $0, $1, \$2와 같은 녀석들임 - 실행하는 명령어의 부분부분을 변수 취급 함 - `dnf -y install gftp` 라는 명령어가 있다면 - \$0: dnf - \$1: -y - \$2: install - \$3: gftp - if와 case - 바로 예제를 보자. (`=`이 같음을 표시하는 기호임에 유의!) ```bash #!/bin/sh if [ "$1" = "" ] then echo "인수를 입력하지 않았습니다." else echo "인수를 입력하였습니다: " $1 fi exit 0 ``` # 리눅스 입문자를 위한 명령어 사전 - by 가와구치 히로시 ## Chapter 06. 편리한 명령어 사용법 ### 명령어 입출력을 파일로 전환 - ps > pslog ```bash readiz@Readiz-NotePC:/mnt/e/collected/selfdev/git/baekjoon/class/extra/20211127$ ps > pslog readiz@Readiz-NotePC:/mnt/e/collected/selfdev/git/baekjoon/class/extra/20211127$ cat pslog PID TTY TIME CMD 1339 pts/2 00:00:00 bash 14658 pts/2 00:00:00 p ``` - `date >> datelog`: `>>` 를 쓰면 Append 명령어임 --- --- id: "imported/blog/study/til/diet" title: "건강한 다이어트" description: "건강한 다이어트 관련 기록." kind: "record" published: "2021-01-23T00:00:00.000Z" tags: ["diet","LCHF"] url: "https://www.readiz.com/blog/study/til/diet/" markdownUrl: "https://www.readiz.com/blog/study/til/diet/index.md" recordFolder: "공부/TIL" folderUrl: "https://www.readiz.com/records/?folder=%EA%B3%B5%EB%B6%80%2FTIL" --- # 건강한 다이어트 # Healthy Diet - Based on 박용욱 교수's Book - 간헐적 단식과 호르메시스 - 지방대사를 켜는 스위치온 다이어트 - KBS / MBC / SBS 건강 관련 다큐멘터리 참고 - 특히 내 몸 변화 많이 참고 함 - 개인차 당연히 있을 것임. 계속 측정 하면서 자신에게 맞는 방법을 찾아나가는 것이 무엇보다 중요. ## 간헐적 단식 - 내가 생각하는 다이어트에서의 제일 핵심적인 부분이며, Life Style 이기도 하다. - 뭔가 최근 들어서는 시도한 사람들의 모수가 늘어나서 생각보다 잘 안된다는 후기도 많은데, 과연 그 사람이 제대로 지켰나를 의심해 보기도 해야함 - 단식을 Break 하는 음식과 아닌 것이 있고, 이것을 철저하게 지켜야 하는데, 처음해보는 사람들은 잘 모른다. - 인슐린을 가능한 한 최저 상태로 만들어 유지하는 것이 핵심인데, 중간에 과자 하나를 집어 먹었다? 효과가 약간 줄어드는게 아니라 아예 없어짐. - 전체 칼로리를 줄이는 기법과는 다름. `많이` 먹는것보다 `자주` 먹는 것이 더 Critical 한 행동이라고 이해해도 대충 맞다. - 많이 먹더라도 먹는 시간을 철저하게 지킨다면 체중 관리에 매우 유리하다. - 지금 현대인의 삶은 몇 십만년간 지속된 인류를 생각해보면 굉장히 이상한 생활임. 일전에는 사냥을 하지 못했을 경우에는 며칠씩 굶기도 하던 것이 다반사였을 것이고, 굶을 때 `지방 대사 모드`, 먹었을 때 `포도당 대사 모드` 로 기본적으로 동작하게 됨 - 최소한, `단식` 과 `섭식` 의 주기가 반복이 되긴 해야 하는데, 현대인은 자기 직전까지 먹고 있어서, `단식` 기간이 없게 된다. `조식` 의 영어 이름이 `Breakfast`, 즉 `단식을 끊는` 다는 뜻인데, 과연 우리는 단식을 하고 있나? - 계속해서 `포도당 대사 모드` 로만 몸이 동작하게 되니, `지방 대사 모드` 는 쓰일 일이 없고, 지방이 빠질 새가 없는 것. - `포도당`은 단기간에 사용하는 에너지이며, `지방`은 창고에 저장된 에너지라고 생각할 수 있다. - `포도당`은 냉장실, `지방`은 냉동실로도 생각할 수 있다. - 현대인은 먹을 것이 충분하니 냉장실이 늘 차있고, 냉동실에 있는 지방을 도저히 꺼내 쓸 기회가 생기지 않는다. - 단식은 이러한 `포도당`을 일시적으로 모두 소진되게 해 `지방 대사 모드`를 깨어나게 해준다. - 그러나 단식이 너무 오래 지속되면 몸의 근육까지 뽑아서 쓰려고 하기 때문에, 24\~48시간 이내로 제한하여 수행하는 방식이 `간헐적 단식` 이다. - `간헐적 단식`의 방식은 여러가지가 있는데, 대충 16시간을 단식하는 16:8 단식의 경우 주 5일, 24시간 단식하는 경우에는 일주일에 1\~2회 수행한다. - 개인적으로는 36시간 까지도 할만하였음.. 익숙해지고 나니. - 처음에는 포도당만 쓰던 몸이라 많이 괴로울 수 있다. 통과의례로 조금만 버텨보자. 선조들은 24시간 못먹는 것은 흔했었다. - GI / GL 지수도 중요한 것은 맞다. - 밀가루가 대표적. 정제탄수화물인 데다가 입자의 크기도 작아서 혈당에 폭탄과도 같은 존재 - 짬뽕과 같은 면이 치명적인 이유 - 하지만 더 중요한 것은 `단식` 과 `섭식` 간의 균형. ## Low Carbon - 먹어야 할 것: 탄수화물이 거의 없고, 단백질 함량이 많은 것. 기본적으로 혈당을 많이 올리지 않고 키토 상태를 깨지 않는 것 기준이다. - 계란: 흰자만 먹겠다고까지 오버할 필요는 없음. 그러나 단백질 양은 생각보다 적으니 주의. 이걸로만 필요 단백질을 채울려면 거의 30개를 먹어야 한다고 함. - 유청 분말 단백질: 헬스인들의 전유물이라 생각하기 쉽지만 사실 가장 저렴하게 효과적으로 단백질을 섭취하기 위한 수단. 아침에는 아예 이걸 타서 먹는 걸로 한끼를 대신해도 좋다. - 두부: 식물성 단백질의 거의 유일한 녀석. 채식까지 병행한다면 이녀석 말고 다른 단백질 섭취 수단이 있기나 한지.. - 닭고기 / 오리고기: 가장 대표적인게 닭가슴살. 단백질 풍부함 - 줄이면 좋지만 가끔 먹어도 좋은 것: 단백질과 지방이 많은 것. 소금 같은 짠 것. - 삼겹살: 저탄고지(LCHF)에서는 아예 이걸 주 식단으로 권하기도 하는데 기본적으로 지방을 빼고자 하는 것인데 지방을 섭취하면 다이어트 효과가 약간 반감되는 효과가 있는건 사실이다. 가끔만 먹자. - 치팅 데이: 직접 실험해본 바 1주일 1번 정도는 해도 회복이 된다. 기습적으로 먹으니 지방 대사에서 포도당 대사로 잠깐 갔따고 해서 지방 대사로 돌아오기 힘들지 않다는 것에 착안. 다만 이것이 수일(2-3일) 지속되면, 바로 살로 간다. 애써 뺀 살 하루 초과해서 무너지지 말도록 주의 또 주의. - 가급적 먹지 말아야 할 것: 단백질도 없고 지방이 많은 것 - 절대 먹지 말아야 할 것: 탄수화물이 많은 것. 당, 과당 포함. - 과당은 인슐린 저항성을 증대시키는 역할을 하기 때문에, 살이 쪘을 때는 특히나 금지해야 한다. - 탄수화물 = 당이다. 흰 쌀밥, 밀가루, 다 탄수화물이고 당이다. 아예 끊을 수 있다면 끊는게 좋을 정도. ## Set Point - 인간의 몸에는 랩틴 호르몬이 설정하는 적정 몸무게 Set Point가 설정되어 있음 - 랩틴 저항성이 오게 되면 지방량이 늘어나도 뇌가 이걸 제대로 인지하지 못하고, 더 먹게 만듬 - 이러면 살 찜. - 이런 식으로 살 찌는건 원인이라기보다는 오히려 결과로 볼 수도 있다. - 망가진 몸은 기본적으로 지방을 잘 쓰지 못하는 모드로 동작하고 있기 때문에, 정상 모드로 돌리기까지 상당한 노력이 필요하다. - 결과적으로 호르몬 이상으로 초래된 이상체중을 가진 사람에게 적게 먹고 많이 운동하면 살이 빠진다, 의지의 문제다라고 이야기 하는 것은 너무 가혹한 처사임. ## Extra - 인간의 수면 주기, 스트레스 조절도 매우 중요한 요소중 하나. 인간은 결국 호르몬으로 동작하는 화학적 기계임. 코르티졸 호르몬이나 수면 방해로 나타나는 이상 호르몬 현상은 결국 몸의 리듬을 깨고 인슐린 저항성을 불러온다. - 마찬가지로 커피의 경우 수면을 방해하여 간접적으로 다이어트를 방해한다. - 비록 아메리카노의 칼로리는 0일 지라도... - 만약 주변에 InBody 처럼 정말하게 측정할 수 있는 기계가 있다면 더할나위 없다. 단순히 전체 체중을 줄이는 것은 크게 의미가 없다. `체지방량` 에 주목하여 뺼 수 있도록 하자. 눈바디나 허리둘레 측정도 유효한 방법이다. - 너무 무리한 단식은 안정시 대사율을 떨어뜨린다. 잘 굶는 것도 중요하지만, 잘 먹는 것도 중요하다. 몸이 비상상황이라고 생각이 들지 않도록 유도하는 것이 핵심. - 지방 대사 모드의 탄수화물 대사 모드 바꾸기 - 탄수화물 대사 모드로 바꾸는 것은 어렵지는 않으나, 급격한 모드 변화로 인한 몸의 충격을 막으려면, 아침 정도는 단백질 정도로 가볍게 식사한 후 바꾸는 것이 혈당의 급격한 상승을 막는데에 도움을 준다. 사과식초도 도움이 되는 듯. (혈당 상승에 제한) - 반대로 불가피한 사정으로 인해 치팅 등을 하게 되었을 경우에는 다시 지방 대사 모드로 바꾸기 위해 단식을 하는 것이 효과적임. 탄수화물이 이미 들어가 있는 상태에서 추가적인 단백질/지방의 섭취는 사실상 추가 에너지원으로 인해 지방을 더 생성하는데 도움을 주는 꼴이다.